Está en la página 1de 140
Introduccién 4.1 INTRODUCCION 1.2 METODOS COMBINATORIOS 1.3 COEFICIENTES BINOMIALES 1.1 INTRODUCCION En afios recientes, el desarrollo de la estadistica se ha hecho sentir en cas todas las fa- Ses de Ia actividad humana. La estadistica ya no consiste meramente en ln recopilacién de datos y su presentacion en gréficas y tablas: ahora se considers que abarca la cien- Of Dasar las inferencias sobre datos observados y la totalidad del problowa he ve praca tues en presencia de la incertidumbre, Esto cubre-un fetheno considensiie Puesto que nos encontramos con i do un dietista experimenta con aditivos para los alimentos, cusndo un acne. deter- cs Piltoss wera el stguro de vida, cxando wn insewicun de conical de ee deere oeniza Productos manufacturados, cuando un profesor compara las habilides Ges de Tos estudiantes, cuando un economista pronostica tendencies, uande te perié- ico predice una eleccién, y asf sucesivamente Seria presuntuoso decir que la estadistica, en su estado actual de desarrollo, Pue- Gc maneiat todas las situaciones que implican incertidumbres, pero constantemegee se desarrollan nuevas técnicas y fa estadistica moderna puede, al menos proporcionar ef marco de referencia para examinar estas situaciones en forma logica y sistemtien Fe talus Palabras, Ia estadistica proporciona los modelos necesarios para estudiar las moder’ ate implican incertidumbres, en la misma forma que él cdlculo proves los modelos para describir, digamos, los conceptas de la fisica newtoniana °s origenes de las mateméticas de la estadistica se pueden encontrar en los es: tone, scbte Probabilidad de mediados del siglo x1x, motivados-por el interés on los oncom aut. La teorta asi desarroliada para “care 0 cruz” 0 “Tojo o negro” pronto aQenc Ciones en situaciones donde los resultados eran “nifio o niiia”, “vida S wer ° “aprobar 0 Teprobar”, y los estudiosos empezaron a aplicar la teorfa de la S probabitidad a los problemas actuariales y 4 algunos aspectos de Jas ciencias social Mis mann, J. Gibbs y J. Maxwell introdujeron la probabilidad y la esta Shititos a la Fisica, y en este sigho se haa encontrado aplicaciones en todas int tae de qhekacer humano que en alguna forma implican un elemento de incetlidumbre o res Capitulo 1: Introducci6n g0. Los nombres relacionados de manera més prominente con el des f ‘a en ia primera mitad de este siglo son los de R. A. Fisher, J. Neyman, E, S, Pearson y A. Wald. Mas recientemente, el trabajo de R- Sc otros mas han dado fmpetu a las teorius estadisticas basadas, esencialmente, en méto~ dos que se remontan al clérigo inglés Thomas Bayes del siglo x1x. El enfoque a la estadistica que se presenta en este libro es esencialmente el en- foque clésico, con métodos de inferencia ampliamente basados en el trabajo de J. Ney- man y E. S, Pearson, Sin embargo, en el capitulo 9 se introduce el enfoque mds general de Ja teorfa de decisiones, y en el capitulo 10 se presentan algunos métodos Bayesia- nos, Este material se puede omitir sin que resulte una pérdida de continuidad. 1.2 METODOS COMBINATORIOS MPLO 1 En muchos problemas de estadistica debemos enumerar todas las alternativas posibles en una situacién dada 0 al menos determinar cudntas posibilidades diferentes existen. En relacién con esto tiltimo, a menudo usamos el siguiente teorema, algunas veces co: nocido como el principio basico de conteo, la regia de conteo para eventos compues- tos, o ia regla de multiplicacién de opcione TEOREMA 14 Si una operacin consta de dos pasos, de los cuales el primero se puede llevar a cabo en 7m, maneras y para cada una de éstas el segundo se puede hacer en n, maneras, entonces la operacién completa se puede efectuar en nm, «7; maneras | | Aqui “operacion” representa cualquier clase de procedimiento, proceso o método de selecci6n Para justificar este teorema, definamos al par ordenadlo (x;, yj) como el resulta- do que surge cuando el primer paso resulta en la posibilidad x, y el posibilidad y,. Entonces. el conjunto de todos los resultados posibles esté formado por Jos siguientes 2, -». pares Seccién 2: Métodos combinatorios 3 Soluctiin El estado am particular se puede escoger de n, = 5 transporte se pueden escoger de ry = 3 man pucde efectuar de 5-3 Posibles maneras. Si se desea una lista de todas las posibilidades, un diagrama de arbol como el de Ia figura 1.1 proporciona ua en- foque sistemético. Este diagrama muestra que hay m = 5 ramas (posibilidades) para el ntimero de estados, y para cada una de estas ramas hay n; = 3 ramas (po- sibilidades) para los diferentes medios de transporte. Es evidente que las 15 po: bles maneras de tomar las vacaciones estén representadas por los 15 trayectos distintos a lo largo de las ramas del arbol. maneras y los medios de Por consiguiente, el viaje se te 4 Capitulo 1: Introduccion EJEMPLO 1.2 : 2Cnantos resultados posibles existen cuando Sramos un j erde’ Solucion El dado rojo puede caer en una de seis maneras, y para cada una de éstas el d2- do verde is, Por consiguiente el par de dados puede caer de 6-6 = 36 m El teorema 1.1 se puede ampliar para abarcar situaciones donde una operacion consta de dos o mas pasos. En este casc TEOREMA 1.2. Si aciGn consta de & paso’ puede llevar a cabo de m maneras, para eada wna de éstas el segundo paso s Pos de efectuar de n> maneras, para ¢ Jos primeros das el tercer paso se puede hacer en, maneras. y asf sucesivamente, entonces ia operacién compici® se puede realizar en my +Mz* ... “7, maneras, EJEMPLO 1.3 Un inspector de contrat de calidad desea sel cada uno de cuatro recipientes diferentes que mente, ;De cudntas maneras diferentes se pueden escoger las cu: Sotucin niimero total EJEMPL ‘tas maneras diferentes se puede cc falso o verdadero que consta de 20 pre Seccién 1.2: Métodos combinatorios 5 ejemplo, quiza d eamos saber de cudntas club pueden elegir a ur naneras diferentes los presidente, un tesorero ¥ un secretario, 0 saber de cudntas maneras diferente miembros de un podriamos seis personas se pueden sentar n como permutaciones. ala mesa, Los di EJEMPLO 1.5 {.Cuantas permutaciones hay de las letras a Solucion Los arreglos posibles sc abc, ach, bac, bea, cab y cba, asi que el niimero de per- mutaciones diferentes es seis. Mediante el teorema 1.2 podrfamos haber llegado a respuesta sin enumerar realmente las diferentes permutaciones. Puesto que cs opciones para seleccionar una letra para la primera posiciGn, después dos 1 segunda posicin, dejando slo una letra para la tercera posicié mero total de permutaciones es 3-2-1= 6. & hay t el ni- Al generalizar el argumento que se utiliz6 en el ejemplo anterior, encontramos que n objetos diferentes se pueden arreglar de n(n — In — 2)-... -3-2-1 maneras diferentes, Para simplificar nuestra notacién, representamos este producto con cual se lee 6, 4! te. También, por definicién 0! ie TeoreMA 13. El nimero de p EJEMPLO 1.6 {De cuntas maneras fferentes se pueden presentar al public: los cinco jugadores tlares de un equipo de baloncesto? Solucién Hay 51=5 2-1 = 120 maneras en las que sé presentar, a EJEMPLO 1.7 El némero de permutaciones de las cuatro letras a, b..¢ y cual es el ni mero de permutaciones si séio tomamos dos de asualmente se os fas cuatro letr Sotucion Capitulo 1: Introduccion n(n — 1)+... «(1 — r+ 1) mancras. Se representa este producto mediante «Py cemos ,P) = 1 por definicién. Por consiguiente, podemos escribir Io siguiente: pena tS ee | omema 1.4 Elniimezo de permutaciones de 1 objetos diferentes tomados r a la vez es para = 0, 1, 2.0% Demostracién, La formula ,P, + ian = r+ 1) no se pues de usar para r = 0, pero tenemos syn, tenemos AP, = nf — Xe — 2)- fv — + 1) n(n — ifn — 2)+ tel t= @- En los problemas concemientes a permutaciones, suele ser més facil proceder con: el uso de] teorema 1.2 como en el ejemplo 1.7, pero la férmula factorial del teoremay 1.4 es més facil de recordar. Muchos paquetes de software de estadistica proporcionan valores para ,P, y otras cantidades combinatorias mediante sencillas instrucciones, De hecho, estas cantidades también estén preprogramadas en muchas calculadoras manua- les de estadistica (0 cientificas). EJEMPLO 1.8 De entre los 24 miembros de un club se sacan cuatro nombres para los puestos de pre sidente, vicepresidente, tesorero y secretario, 2De cudntas maneras diferentes se pue de hacer esto? Solucién El numero de permutaciones de 24 objetos diferentes tomades 4 a la vez es peal sad Seccién 1.2: Métodos combinatorios 7 EJEMPLO 1.9 éDe cudntas maneras puede una seccién local de la Sociedad Americana de Quimica Programar a tres oradores para tres reuniones diferentes, si todos ellos est bles en cualquiera de cinco fechas posibles? Solucién Puesto que debemos escoger tres de cinco fechas e importa el orden en que.se escogen (asignadas a los tres oradores), obtenemos 5! 120 Scaling También podemos argumentar que el primer orador se puede programar en cual quiera de cinco maneras, el segundo orador de cuatro maneras y el tercer orador de tres maneras, de modo que la respuesta es 5-4-3 = 60. & Las permutaciones que ocurren cuando los objetos se arreglan en un circulo se Haman permutaciones circulares. Dos permutaciones circulares no se consideran dife Fentes (y se cuentan slo una vez) si los objetos correspondientes en los dos arregios tienen los mismos objetos a su izquierda y a su derecha. Por ejemplo, si cuatro perso- nas estan jugando bridge, no obtenemos una permutaciGn diferente si todos se cambian ala silla que esta a su derecha EJEMPLO/1.10 (Cuantas permutaciones circulares hay de « tro personas que juegan bridge? 1 Solucion Si consideramos arbitrariamente la posicidn de una de los cuatro jugadores come fija, podemos sentar (arreglar) a los otros tres jugadores en 3! = 6 maneras di- ferentes. En otras palabras, hay seis permutaciones circulares diferentes. & Al generalizar el a terior, obtenemos el siguiente teorema. mento que se utilizé en et ejemplo TeoREMA LS El numero permutaciones de n abjetos diferentes arregiados Hast ns, de los que ahora hemos supuesto que los n leccionam| formamos permutaciones, son todos diferentes. Asf, por ejemplo. no se pue ro en un entrepai 8 Capitulo 1: introduccian EJEMPLO 1.11 book”? {Cudntas permutaciones diferentes hay de las letras de la palabra Solucién Si por el momento distinguimos entre las dos o etiqueténdolas 0, y 0,, entonces hay 4! = 24 permutaciones diferentes de los simbolos b, 0,, 03 ¥ k. Sin embargo, si quitamos los subindices, entonces bo,ko, y bo,ko,, por ejemplo, ambos dan co- mo resultado boko, y puesto que cada par de permutaciones con subindice resulta en solo un arreglo sin subindices, el mimero total de arreglos de letras en ia pa- labra “book” es =12 0 4 EJEMPLO 1.12 @De cudntas maneras diferentes se pueden arreglar, en un entrepaio, tres copias de una novela y una copia de cada una de otras cuatro novelas? Solucién Si designamos las tres copias de la primera novela con a, a) y ay. las otras cua- tro novelas con h, c,d y e, encontramos que con subindices hay 7! diferentes per- mutaciones de a}, a>, a5, b, ¢, d y ¢. Sin embargo, puesto que hay 3! permutaciones de a,, a; y a; que Hevan a la misma permutacion de a, a. a, b, c, d ye, encontra- a mos que s6lo hay = +6-5-4 = 840 maneras en las que siete libros se pue- den arreglar en un entrepaio. a, Al generalizar el argumento wtilizado en estos dos ejemplos, obtenemos el si- guiente teorema. 1 | TeoREMA 1.6 El mimero de permutaciones de 1 objetos do ios cuales m, son de | | una clase, n, son de una segunda clase... n, son de ta késima clase y 1 + | (eer ae | EJEMPLO 1.13 (De cudntas int junto a fa otra, dos pinturas de Monet, tres s de Renoir y dos pi Degas en fa pared de un museo sin hacer distin. cidn entre las pinturas de los mismos artistas . Seccion 1.2: Métodos combinatorios iia det teorema 1.6, ob- como combinaciones. LO 1.14 @De cudntas maneras diferentes puede una persona, que retine datos para una organi- zacion de investigacién de mercados, seleccionar tres de 20 families que viven en un complejo departamental dado? Solucién Si nos interesa el orden en el cual se selecciona a las familias, la respuesta es = 20-19-18 = 6,840 Pero entonces cada conjunto de tres familias se contaria 3! = 6 veces. Si no nos: A. : 6,840 interesa él orden en que se selectionan las familias, slo hay = 1440 ma- neiss en. que la persona que retine los datos puede hacer su trabajo, Realmente, “combinacién” significa lo mismo que “ subconjunto”, y cuando pedi- mos el mémero de combinaciones tos diferentes, simplemente pedi Se pueden seleccionar de un conjunto de n objetos diferentes, En general, hay mataciones de los objetos en un subconjunto de r objetos, asi que fas ,P, permutacio. es de r objelos seleccionados de un conjunto de n objetos diferentes centienen cada Subconjunto 71 veces. Al dividir ,P, por rl y representar el resultado por medio del simbolo ( B) tenemos entonces Me) | TROREMA 17 El némero de combinaciones de r i | la vezes | (n\_ al 4 * Capitulo 1: introduccién EJEMPLO 1.15 {En cudmas formas diferentes pueden seis lanzamjentos de una moneda, producir dos caras y cuatro cruces? Soluci6n Esta pregunta es lo mismo que preguntar de cudintas maneras podemios seleccio- nar los dos lanzamientos, en los cuales ocurrirdn caras. Por consiguiente, al apli- car el teorema 1.7, encontramos que la respuesta es 6) 6! Geant) También se puede obtener este resultado con el proceso, bastante tedioso, de enumerar las diversas posibilidades, HATTTT, TTHTHT, HTHTTT, .... donde H representa cara y T representa cruz, EJEMPLO 1.16 {Cuintos comités diferentes, de dos quimicos y un fisico, se pueden formar con los cua fro quimicos y los tres fisicos del profesorado de una pequefia universidad? Solucién 4 Puesto que dos de los cuatro quimicos se pueden seleccionar ae(8) maneras y uno de los tres fisicos se puede seleccionar de € neras, el teorema 1.1 muestra que el ntimero de comités es 6-3 Una combinacién de r objetos seleccionados de un conjumto de n abjetos diferen- tes se puede considerar una particién de los n objetos en dos subconjuntos que conte” nen, respectivamente, 10s r objetos que se seleccionan y los n — r objetos restantes. A inchuder nos eentramos en el problema més general de dividir un conjunto de n obje- fox distigtos en k subconjunios, Io cual requiere que cada uno de los n objetos debe pertenecer a uno y s6lo a uno de tos subeonjuntos.t No importa el orden de los obje~ tos dentro de un subconjunto, EJEMPLO 1.17 {De cudntas maneras se puede dividir un conjunto de cuatro objetos en tres subconjun tos que contengan, respectivamente, dos. uno y uno de fos objetos? Soluctén A representar los cuatro objetos por a, b, cy d, enconttamos, por enumeracion, sen las siguientes 12 posibilidades: Seccién 1.2: Métodos combinatorios 11 Grice alco aalp de eta adible adiclb—belald bella bdjale bdlcla— cdlalb_—cd |b El ndimero de particiones para este ejemplo se representa con el simbolo 4 C i ) is donde el niimero de la parte superior representa el mimero total de objetos y los niimeros de la parte inferior denotan el niimero de objetos que entran en cada subconjunto, a. Si no hubiéramos querido enumerar todas las posibilidades en el ejemplo prece- dente, podriamos haber argumentado que los dos objetos que entran en el primer sub- “ ‘4 conjunto se pueden escoger de Q) = 6 maneras, el objeto que entra en el segundo ‘ F 2 subconjunto puede entonces elegirse de @) = 2 maneras y ef objeto que entra en el z « tercer subconjunto puede entonces elegirse de @) = 1 maneras. Asi, por medio del teorema 1.2, hay 6-2-1 = 12 particiones. Al generalizar este argumento tenemos el si- guiente teorema. TEOREMA LS El niimeto de maneras en que un conjunto de n objetos diferen- tes se pueden dividir 0 partir en k subconjuntos de n, objetos en el primer sub- conjunto, n, objetos en el segundo subconjunto..... yn, abjetos en el késimo subconjunto es n ) ! My, Mayers Ma) mbemgte omg Demostracién. Puesto que ios 1, objetos que entran en el primer subeon- junto se pueden escoger de ( = j maneras, los m, objetos que entran en el segundo subconjunto pueden entonces escogerse de { } maneras, os 1 objetos que P< fn — m= m\ entran en el tercer subconjunto pueden entances escogerse de { a } maneras y asf sucesivamente. resulta por el teorema 1.2 que e] ntimero,toia! de particiones es (am)! mi(n =m)! mi(n n-m—m EJEMPLO 1.18 De cudntas maneras puede asignarse a siete hombres de 1 convencién, una habitacién triple de hotel y dos dobles? egocios, que asisten a una Solucién Sustituyendo 7 tenemos 2 en Ja formula del teorema 1.8, ob- ate 1.3 COEFICIENTES BINOMIALES + yJf término por término, cada término Sim es un entero positive y multiplicamos (x Wwiene de cada uno de los nt serd el producto de las x y las y, donde una x o una y pro factores x + y. Por ejemplo, la expansion ee ea) axexextaceey tory produce términos de Ja forma x’, *. Sus cat 1, y el coe el méimero de maneras en que pademos esco- ficiente de xy” mmpio. es (5 sctores que proveen las y. En forma similar, el coeficiente de x?y es mos escoger el tnica factor que prov ————EEE ee See Seccién 1.3: Coeficientes binomiales 13 nos (x + pt To positive y multipli nino an te de x""'y'es(""} el niimero de maneras en que podemos esco- Por término, el co% ; a (n\ er r factores que provean las y. En consecuencia, nos referimos a{”" ) como un coefi- ‘te binomial. Ahora podemos en cia el siguiente teorema, | | (Para los lectores que no estén familiarizados con la notacion © en el apéndice A se da una breve explicacion.) A menudo se puede simplificar el célculo de los coeficientes binomiales al utili- zar los tres teoremas siguientes. TEOREMA 110 F Demostracién. Podriamos a cuando seleccionamos un Conjunto de r objetos de un conjunto de 1 objetos diferentes, d junto den — rol como mane subs jamos un subcon- mentar qu jetos; de abf que, hay tantas maneras de seleccionar r objetos de dejar (0 ~ robjetos. Para demostrar el teorema on forma algebraic: tes hinomiaie 14 Capitulo 1: Introduccion EJEMPLO 1.19 (a2 ndepere elena Dado (o) =o y 6, eneuentre () GQ) Solucin (:) 7 Kc ;) a (0) EJEMPLO 1.20 3 Dado ( A Sofucién (-( 5 Se Es precisamente en esta forma como el teorema 1-10 podré usarse en relaci6n of Ja tabla VILt EJEMPLO 1.21 ocesee(2)y(12) Solucion 20\, i f (20 Puesto que (5) no se da en la tabla VIL, utilizamos el hecho de que | (ee ar (ae @) 125,970. Asi (72) ,tasames (7?) x ottnems (79) = 125,970. Asimismo 27) _ (7) puscamos (17 ),y obtem (17) ( trar ( 4} utilizamos el hecho de que | 5 ) 17 ie mos (17) 9448. ‘TeOREMA LUL ‘ en . ; SecciOn 1.3: Coeficientes binomiaies 15 Demostracion. Al sustituir x = 1 en (x + yy’, escribamos (ty a+ y= tt + dt op © igualemos el coeficiente de y’ en (i + y)* con aquellos en (1 + yy") + y(1 + yy. Puesto que el coeficiente de y’ en (1 + yy'es ( 2) y el coeficienie de yren(1 + yy? + y(1 + y)'"1 es la suma del ooeficiente de y’ en (1 + yy}, esto ar in os ("| © )py eteoessente dey’! en( + »} esto, ( ~ 1), btenemos ()=C29+@25 Pp Nr) \r=4 lo cual completa la demostracién. ¥ Alternativamente, tome cualquiera de los n objetos. Si no incluira entre los r obje- 1 Ey tos, hay (G i ) ma eras de seleccionar r objetos; siva a incluirse, hay ( 1) me \ es a fat neras de seleccionar los otros +2 1 objetos. Por consiguiente, hay (" — * ) + (emis) maneras de seleccionar los r objetos, esto ( El teorema 1.11 también se puede demostrar al expresar los coeficientes binoi les, en ambos lados de la ecuacién, en términos de factoriales y entonces proceder de manera algebraica, pero dejaremos esto al lector en el ejercicio 1.12. En el ejercicio 1.11 se da una aplicacion importante del teorema 1.11, donde proporciona fac rruccién de Io que se conoce como el triingulo de Pascal Para enunciar el tercer teorema sobre los coeficientes binomiaies, hagamos ia si- (n\ guiente definicién: ( )) = O siempre que n sea un entero positivo y rsea un entero po r ve para la sitivo mayor que n. (Evidentemente, no hay forma en que podamos sel subconjunto que contenga més elementos que todo el conjunto mismo.) BOREMA 112 (a2) = (ee) 16 Capitulo 1: Introduccion Demostracién. Usando 'a misma téenica que en fa demostracién del 120 ema 111 demostremos este feorema al igualar Ios coeficlentes dey en las ex: presiones de ambos tados de la ecuacién Gtor = (m Elcoeficientede y* en (i + y)"™" es | fu i — ers +or=[(3)* (ts «{()+@) oy y el coeficiente de y* en es la suma de los productos que obtenemos al multipicar el término constante del primer factor por el coeficiente de y* en el segunde factor, el coeficiente de ‘yen el primer {actor por el coeficiente de y 1 en el segundo factor, ..., ¥ el coe ficiente de y* en el primer factor por cl término constante del segundo factor. Asi, al coeficiente de y* en (I+ yy" + yes (myn) +t) + Ce CG) y esto completa la demostraci6n. EJEMPLO 1.22 Verifique el teorema 1.12. numéricamente param = Solucion ‘Al sustituir estos valores, obtenemos y puesto que nat a 0 de acuerdo a la definicion en 1a Pi 0) } gina 15, la ecuacion posicion a coeficientes » expansion d) SecciGn 1.3: Coeficientes binomiales 47 o,f a). El coeticiente multinomial det térming si6n de (x, + x) tv xy)" es yy... «x8 on la expan BEMPLO 1.23 Cual es el coeficiente de xx)? en Ja expansion de (. xy + x3)? Solucién SCRE GA = chiens = icamtaanih anterior, obtenemos co eearas EJERCICIOS @ Una operacién consta de dos ‘n, maneras. Si el primer paso Puede hacer de n,, maneras + (@) Use un diagrama de arbol de maneras en que se pue (b) Un estudiante puede prep de historia en un dia dad verificar que hay 13 mane Pasos, de los cuales el primero se puede hacer de Se hace de la manera iésima, el segundo paso se ¥ encuentre una formula para el nimero total de efectuar la operacién total ararse durante 0, i, 2 03 horas para un examen lo. Use la formula obtenida en ta parte Tas en las que el estudiante puede prepararse dut- © para la prueba en dos dfas consecutivos. 12 Con respecto al ejercicio 1.1 verifique que si ny €s igual a la constante nla z=>{érmula obtenida en la parte (a) se reduce a aquella del teorema 1.1 1YCon respecto al ejercicio 1.1, supongamos que hay un tercer Paso, y si el primer Pecans realize de la iésima manera y el segundo paso de la jésinee manera, el tercer paso se puede hacer de n (@) Use un diagrama de érbol hacer de Para verificar que toda la operacién se puede maneras diferentes, (b) Con respecto al inciso (b) del ejereicio 1.1, use la f6rrmuta del inciso { )pa 1a verificar que hay 32 maneras en las que ef estudiante puede Prepararse durante 4 horas, cuando mucho, para la prueba en tres dies cone, utivos. 14 Demuestre que si ng, es igual a la constante ns y my, es igu: Ja formula del inciso (a) del ejercicio 1.3 se a la consts luce & Ja del teorema 1.2, uso de suvindices dobles se explica cw el upéndice 4 48 Capitulo 1: Introduccién LS En una serie final del campeonato entre dos equipos de baloncesto, el ganador es cl primer equipo que gane rm jlegos. (a) Contando separadamente el mimero de series finales que requieren m- m + 1,.-.,¥ 2m — 1 juegos, muestre que el nimero total de resultados diferentes (secuencias de juegos ganados y juegos perdidos de uno de los equipos) €s 1) ee (6) Cusintos resultados diferentes hay pera una final de “2 de 3”, una final de 53 de 5° y una final de “4 de 7°? ¢ Te Jouando nes grande, se puede aproximar n! por medio de ia expresiGn oaeaNe Vim(2) llamada Ia formula de Stirling, donde ¢ es la base de los logaritmos naturales, (Ge puede encontrar tna derivacién de esta f6rmula en el libro de W. Feller of tado entre las referencias al final de este capitulo.) (a) Utilice ta f6rmula de Stirling y obtenga las aproximaciones para 10! y 121, también encuentre los porcentajes de error de estas aproximaciones al ‘compararlas con los valores exactos, dados en la tabla VIL (b) Use la formula de Stirling y obtenga una aproximaci6n para el néimero de manos de bridge de 13 cartas que se pueden dar con una baraja ordinaria de 52 cartas de juego. /( \T\Use ta formula de Stirling (véase el ejercicio 1.6) para aproximar 2n! y nl, /muestre que ee or 18 En algunos problemas de la teoria de ta ocupacién nos interese el mimero de maneras en que ciertos objetos distinguibles se pueden distribuir entre personas, urnas, cajas o celdas, Encuentre una expresién para el numero de formas en que se pueden distribuir r objetos distinguibles entre n celdas y dsela para en contrar el mimero de maneras en que se pueden distribuir tres libros diferen- tes entre 12 estudiantes, en una clase de literatura ingles L9 En algunos problemas de la teoria de la ocupacién nos interesa de cudntas me- neras se pueden distribuir ciertos objetos indistinguibles entre personas, urna cajas 0 celdas. Encuentre una expresién para el ntimero de maneras en que Se pueden dis! objetos intdistinguibles entre n celdas y dscla para encontrar Ei ntimero de maneras en que un panadero puede vender cineo bogazas (indis- guibles) de pan a tres clientes. (Sugerencia: Podriamos argumentar que LL senta el caso donde ios tres clientes compran una hogeza, tres hogaza, respectivemente, y qué LLLL| |L representa el caso don ies compran cuatro hogazas, ninguna hogaza y una hogaza. As Secci6n 1.3: Coeficientes binomiales 19 debemos buscar el nuim: 1 las dos barras 1.10 En algun: la teorfa de Ja ocupacién nos interesa e] miimero de maneras en que ciertos objetos indistinguibles se pueden distribuir entre indivi duos, unas, cajas o celdas con al menos uno en cada celda. Encuentre una ex- Presi6n para el ntimero de maneras en que r objetos indistinguibles se pueden distribuir entre 1 celdas con al menos una en cada celda y vuelva a trabajar en la parte numérica del ejercicio 1.9. ——~,al menos uma hogaza de pan. 1.11 Cuando no hay tablas disponibles, a veces es conveniente determinar los coefi- “Gientes binomiales por medio del siguiente arreglo, llamado triéngulo de Pascal: las cinco Hy 9 de Maneras en que podemos arre ales.) s problema: donde cada uno de los tres client s obtiene donde cada hilera empieza con un 1, termina con un 1, y cada uno de los de- muds elementos es la suma de los dos ciementos mas cercanos de la hilera que estd inmediatamente arriba. En este triéngulo, el elemento résimo en la nésima hilera es el coeficiente binomial ( ,_)+ Construya las dos hileras siguientes (séptima y octava) del tridngule y_escriba las expresiones binomiales de (x + yP ye + Demuestre el teorema 11.1 mediante la expresién de todos los coeticientes bi- nomiales en términos de factoriales y después simplifigue en forma algebraica les en términos de factoriales y simplificar L13) Al expresar los coeficientes binomi: en forma algebraica, demuestre que (nr) ES wok n © see) Sustituya los val 20 Capitulo 1: Introducci6n as Por medio de la aplicaci6n repetida del teore (2 \r ma 1.11, demuestre que aE Gere) ( .16)Use el teorema 1.12 para demostrar que he 147 Demuestre que 5 (”) £ Ae diferenctando 1 sustituyendo y = 1 4.18 Vuelva a trabajar en el inciso (c) del ejercicio 1.13. a8 Sin m0 68 un entero posit Cee, para — expresiones en ambos 1 ejercicio 1.17 usando el inci pC isG) Et aes 22"! hacjendo x = 1 emel teorema 19, después ados con respecto a y,y finalmente iso (a) del ejercicio 1.14 y el v0 0 cero, la expansién binomial de (1 + yY' produ- 1 < y < 1, la serie infinita donde ( i) =4 cién generalizada de coef pa 13 para val (b) V5 eseribiendo VS = 2(1 + 3 de ta expansién binomial de (1 + 4.20 Con respecto a ta defi jercicio 1.19, demuestr lores enteros positivos de n) para © icin D) para r= 1,2, 3,.--- Use esta defi que concuerda con la de la pa Juar icientes binomiaies ( 1)!” y usando Jos primeros cuatro términos eneralizada de los coeficientes binomiales en && 1s multinomiales en términos de fact APLICACIONES 1.24 Hay cu trabaja, pero la ruta B es de un solo do tomarla cuand ersona y el Iu tro rutas, A, B, Cy D, entre la casa de une entido modo que no puede tom: 4 a su trabajo, y la ruta C es de un solo sentido, de modo que ne ambo a casa. an diagrama de Arbol que muestre las diversas mai srsona puede ir y venir del trabajo. 4 guen trabajo, sin tomar la misma ruta en diagram de ir y venii uestre las diversas mancras -antida ‘Una persona con $2 en su bolsillo apuesta $1, contra la mism: “yolado” o Janzamiento de una moneda y contimia apostando $1 en t mostrar Jas diversas situaciones ne dinero. Trace un diagrama de arbol pat de Ja moneda. D puedén suceder durante los primeros cuatro lan: és del cuarto lanzamiento, jen cudntos casos estara fa) exactamente si (b) exactamente adelante por $. 1.26 Suponga que en la Serie Mundial isbol (en < equipo que gana cuatro juegos) el campedn d ampesn de la Liga Americana por tres jue ar de cudntas man 1 mujer, reordenando al final de 2 Capitulo 1: 13 Introduccién a) Enouentre el némero de maneras en que tres dados pueden caer con el mismo nimero. CObtenga ef nimero de maneras en que dos de los tres dados pueden cacr con ef mismo nimero de puntos y el tercero caiga con un mimero diferente. Determine el mimero de maneras en que los tres dados pueden caer con niimeros diferentes. ‘Use os resultados de las partes (a), (b) y (c) para verificar los edlculos del obispo de que hay en total 56 posibilidades. Sila NCAA tiene solicitudes de seis universidades para ser el anfitrién de los campconatos interuniversitarios de tenis en 1998 y 1999, ;de cudntas maneras pueden seleccionar al anfitri6n para estos campeonatos (a) si ambos no se van a celebrar en Ja misma universidad: (b) si ambos pueden realizarse en Ia misma universidad? Las cinco finalistas del concurso seflorita Universo son las representantes de ‘Argentina, Bélgica, Estados Unidos, Japén y Noruega. ,De cuantas maneras pueden los jueces escoger a (a) 1a ganadora y la primera supiente: (b) Ia ganadora, la primera y ia segunda suplentes? En una eleccion primaria, hay cuatro candidatos para el puesto de alcalde, cin- co para tesorero de la ciudad, y dos candidatos para procurador. (a) 4De eudntas maneras puede un votante marcar su boleta para elegir a los tres funcionarios? (b) {De cudntas maneras puede una persona volar si ejeree su eleccion de no Votar por un candidato para alguno o todos estos puestos? Una prueba de eleccién multiple consta de 15 preguntas, cada una permite una eleccign entre tres alternativas. De cudntas maneras diferentes puede una es- iudiante marcar sus respuestas a estas preguntas? El precio de un recorrido turistico por Europa incluye cuatro sitios qué visitar que deben seleccionarse a partir de 10 ciudades. «De cudntas maneras diferen- tes se puede planear tal viaje (a) sies importante ¢] orden de las paradas intermedias: () sino es importante el orden de las paradas intermedias? Gat\pe cudntas mancras puede un director de television programar los seis dife- Jentes anuncios de un patrocinador. durante los seis espacios de tiempo asigna do para anuncios, durante un “especial” de una hora? {De cuantas maneras puede el director de televisién del €) Jos seis espacios de tiempo pare amuncios si el patrocinador tiene tres anuuncios diferentes, cada uno de los cuales se puede mostrar dos veces? udntas maneras puede el director de televisi6n de} ejercicio 1.34 cubrir los wacios de tiempo para anuncios si el patrocinador tiene dos anu cada uno de fos cuales se puede mostrar 7 {De cuantas mane pueden fi autobiis? ;De cuantas maneras se pueden forma’ nas se rehtisan a hacerlo una detras de la otra Seccién 1.3: Coeficientes binomiales 23 wintas maneras pi 20? (138 dbe a 139 1Cu 1 ocho personas formar un cfreulo para un baile de las letras en Ja palabra {Cuéntas permutaciones hay de las letras de la palabra “statistics” (estadisti- ca)? ,Cudntas empiezan y terminan con [a letra s? LAL Un equipo colegial juega 10 partidos de futbol durante una temporada. ;De cudntas maneras puede terminar la temporada con cinco juegos ganados, cua {ro perdidos y un empate? i ocho personas estan reunidas para comer, ;de cudntas maneras diferentes tres de ellas pueden ordenar pollo, cuatro ordenar carne y una ordenar langosta? 1.43 En el ejemplo 1.4 demostramos que una prueba de falso 0 verdadero que cons: ta de 20 preguntas, se puede marcar de 1,048,576 maneras diferentes, ;De cudin- tas maneras se puede marcar cada pregunta con falso 0 verdadero de modo que (a) estén correctas y 13 incorrectas; (b) 10 estén correctas y 10 incerrectas; (©)_al menos 17 estén correctas? 1.44 Entre los siete candidatos para dos vacantes en el consejo de una ciudad hay tres hombres y cuatro mujeres. :De cudintas maneras se pueden cubrir estas vacantes (a) con dos candidatos cualquiera de ios siete; (b) con dos de las cuatro mujeres: (c)_ con uno de fos hombres y una de las mujeres’ L45 Entre 10 aparatos de televisién de un embarque, hay tres que estén defectuo. sos, ,De cudntas maneras puede un hotel comprar cuatro de estos aparatos-y recibir al menos dos de los aparatos defectuosos? 1.46 Ms, Jones tiene cuatro faldas, siete blusas y tres suéteres. ;De cudntas maneras puede escoger dos de las faldas, tres de las blusas y uno de los suéteres para lle- var en un viaje? 147 {Cudntas manos de b Mantes, tres tréboles ge diferentes pueden contener cinco espadas, tres dia- dos corazones? 1.48 jEncuentre el ntimero de maneras n que una A, tres B, dos C y una F se pue- den distribuir entre siete estudiantes que toman un curso de estadistica. 5 nista de arte, duena de 10 pinturas de artistas famosos, esta prepa: ando su testamento. ;De cudntas manei 448 a sus tres herederos C150. Din aficionado al béishol tiene dos boletos para =“tadio de los Cachorros de Chicago. Si tiene ci Déisbal, zoe maneras diferentes puede invitar a uno de ellos a cada uno de los seis juegos nd dado, le qued 24 Capitulo 1: introduccién 2 Con respect al ejercicio 151. {de cudntas maneras diferentes puede Ia ps feria distribuir los 12 pasteles de manzana si cada uno de los centros de da va a recibir al menos un pastel? Un viernes por la maftana, la tienda de articulos para profesionales de un 4 de tenis tiene 14 latas idénticas de pelotas para tenis. Si para el domingo noche se han vendido todas y s6lo nos interesa cudntas se vendieron cada {de cudntas maneras diferentes se pudieron haber vendido las pelotas de tes i viernes, cl sabado y el domingo? 4.54 Vuelva a realizar el ejercicio 1.53, dado que al menos dos de las latas de pel tas para tenis se vendieron en cada uno de los tres dias. REFERENCIAS Entre los pocos libros sobre la historia de la estadistica se cuemtan Waker, H. M,, Studies in the History of Statistical Method. Baltimore: The Williams: ‘Wilkins Company. 1929, WESTERGAARD, H., Contributions to the History of Statistics. Londres: B.S. King & 1932, y las publicaciones mas recientes KENDALL, M. G., and PLACKETT. R. L., eds., Studies in the History of Statistics and Prot bility, Vol. Il, Nueva York: Macmillan Publishing Co., Inc., 197, Pearson, E. S., and KENDALL. M. G.,eds., Studies in the History of Statistics and Probat ‘ty. Darien, Conn.: Hafner Publishing Co., Inc., 1970, Porter, T. M.. The Rise of Statistical Thinking, 1820-1900, Princeton, N.1-: Princeton U versity Press, 1986, STIGLER, S. M,, The History of Statistics. Cambridge, Mass.: Harvard University Press. 158 Una amplia variedad de material sobre métodos combinatorios se puede encontrar CoHEN, D. A., Basie Techniques of Combinatorial Theory. Nueva York: John Wiley & So Ine,, 197 EISEN, M.. Elementary Combinatorial Analysis. Nueva York: Gordon and Breach. Publishers, Inc., 1970, Feuier, W., An Introduction to Probability Theory and lis Applications, Vol. 1, 3 Nueva York: John Wiley & Sons, Inc,, 1968, Niven, J, Mathematics of Choice. Nueva York: Random House, Inc.. 1965, RosERts. F. S., Applied Combinatorics. Upper Saddte River, N.1.: Prentice Hall, 1984. yen Wairwount, W.A., Choice and Chance, 5th ed, New York: Hainer Publishing Co., Ine que se ha convertido en un clésico en este campo. ; pas avanzados en “ombinatorial Mathematics. Nueva York: John Wite Sons, Inc., 1964. Davin, F. N., and Barrow, Combinatorial Chance. Nueva York: Hafner Publish CAPITULO 2 Probabilidad 2.1 INTRODUCCION 2.2 ESPACIOS MUESTRALES 2.3 EVENTOS 2.4 LA PROBABILIDAD DE UN EVENTO 2.5 ALGUNAS REGLAS DE PROBABILIDAD © 2.6 PROBABILIDAD CONDICIONAL 2.7 EVENTOS INDEPENDIENTES 2.8 TEOREMA DE BAYES 2.1 INTRODUCCION Hist6ricamente, la forma més antigua de definir probabilidades, e1 concepto chisico de Probabilidad, se aplica cuando todos los resultados posibles son igualmente probables, Como es presumiblemente el caso en la mayoria de los juegos de azar. Podemos enton. ces decit que si hay N posibilidades igualmente probables, de las cuales una debe oct mmr y 1 Se consideran favorables, 0 como un “acierto,” entonces la probabilidad de un “acierto” esté dada por la razén ff EJEMPLO 2.1 P(E) para cualquier secuencia finita de eventos E, Ey.....y Ey a ventaja de que un evento ocurtird esté dada por la raz6n de la probabilidad Ge que el evento ocurra 2 la probabilidad de que no ocurra, siempre que nin- guna de las probabilidades sea cero. La ventaja generalmente se indica en tér- minos de enteros positives que no tienen un factor en comiin, Mostrar que si la Ventaja es a a b de que un evento ocurrird, sx probabilidad es is prohabilidades subjetivas al exponer a las personas sn Tiesgos y al encontrar Ia ventaja a ta cual conside ventaja entonces se convie Capitulo 2: Probabilidad lidades por medio de la f6rmula det ejercicio 2.33. Por ejemplo, si una pers siente que la ventaja de 3 a 2 €s ventaja justa de que una empresa comer tendré éxito (0 que seria justo apostar $30 contra $20 a que tendré éxito), probabilidad es 0.6 de que la empresa comercial tendré éxito. Demu 342 que si las probabilidades subjetivas se determinan de esta manera, satisfacen (a) el postulado 1 en la pagina 37; (b) el postulado 2. ‘Véase también el ejercicio 2.56. APLICACIONES 2.38) Un experimento tiene cinco resultados posibles, A, B, C, D. y E, que som \* wamente exclayentes. Verifique si las asignaciones de probabilidades sigui son permisibles y explique sus respuestas (a) P(A) = 0.20, P(B) = 0.20, P(C) = 0.20, P(D) = 0.20 y P(E) = 0.20: (b) P(A) = 0.21, P(B) = 0.26, P(C) = 0.58, P(D) = 0.01 y P(E) = 0.06; (c) P(A) = 0.18, P(B) = 0.19, P(C) = 0.20, P(D) = 0.21 y P(E) = 0.22; (d) P(A) = 0.10. P(B) = 030, P(C) = 0.10, P(D) = 0.60 y PE (©) PIA) (B) = 042, P(C) = 0.05, P(D) = 0.50y ee EE) (236)si A y B son mutuamente excluyentes, P(A) = 0.37 y P(B) = 0.44, enc —~ (a) P(A’) (b) P(B'); (c) P(AUB); | (d) P(ANB); (e) P(ANB); () P(A'NB’). MWp37 Explique por qué hay un error en cada una de las siguientes declaracion probabilidad de que Jean apruebe el examen de la barra de abo: es 0.66 y ia probabilidad de que no lo pase es — 0.34. (b) La probabilidad de que el equipo de casa gane un juego de fitbol ves ¢s 0.77, 1a probabilidad de que se empate el juego es 0.08, y Ia pr / iidad de g empate ef juego es 0:95. ( fa) jes de que una secretaria cometa 0), 1,2,3.4,5 0 mas ografiar un informe son, respectivamente, 0.12, 0.25, 0.36) de que un banco reciba 0, 1,2,3 o més cheques espectivamente, 0.08, 0.21, 0.29 y 0.40. © de tos 30 puntos del espacio muestral ncuentre las probabilidades de 9 ss esté vacta: asporte e} mismo nimero 2.39 2) 241 2.42 Secci6n 2.5: Algunas reglas de probabildad 49 (©) Ja camioneta més grande transporte més Pasajeros que la camioneta mis pequefia; () dificil o muy dificit (©) ni muy diffeil ni muy técit: (©) promedio o peor; (@_promedio o mejor Un departamento de policia necesita neumsticos ‘Uevos para sus carros patru llas y las probabilidades son 0.15, 0.24, 0.03, 0 28, 0.22 y 0.08 respectivamente I. omprard neuméticos Uniroyal, neumsticos Goodyear, neumiticos Miche- lin, neumsticos General, neuméticos Goodrich feumdticos Armstrong, En cuentre las probabilidades de que comprar (2) neuméticos Goodyear 0 Goodrich: (©) neuméticos Uniroyal, Michelin, o Goodrich: (©) neumaticos Michelin, o Armstrong; ‘é (4) neumaticos Uniroyal , Michelin, General, 0 Goodrich Un sombrero contiene veinte papeletas blancas numeradas del { al 20. tre las probabilidades de sacar una papeleta que sea, (2) azul o blanca; (b) numerada 1,2, 3,405: (©) roja o amarilla y numerada 1 2,304; a (@)_ numerada, 5, 15, 25 0 35 (©) blanca y con nimero mayor que 12.0 amarilla Yeon mimero mayor que 26. Cuatro candidatos estén buscando una vacante en un Consejo escolar. $i A tie- ne el doble de posibilidades que B de ser clegido, y a A ya B se le dan Jas mis- gue Partunidades de ser electos, mientras que C tiene el doble de posibilidades due D de ser electo, ;cuates son las probabilidades de que (@) C gane (b) A no gane. Dos cartas se extraen aleatoriamenie de una baraja de 52 cartas de juego, Encuen- tte la probabilidad de que ambas cartas sean mayores que 3 y menores que 8 En un juego de pdker, cinco carias se reparten a jeatoriamen ordinaria de 52 cartas de juego. Encuentt (a) dosp (>) cuatro de un e de una baraja is probabilidades de. sa (dos vatores cualquiera distintos jue ocurn dos ve clase (cuatro cartas con el mj 50 Capitulo 2: Probabilidad 2.45 En un juego de Yahtzee, se tiran simulténeamente cinco dados balanceados cuentre las probabilidades de sacar (2) dos pares; (b) tres de una clase; (c)_ un “full” (tres de una clase y un par); (a) cuatro de una clase, 2.46 De los 78 doctores de! personal de un hospital, 64 tienen seguro contra trat to err6nco, 36 son cirujanos y 34 de los ciryjanos tienen seguro contra tratai erroneo. Si uno de estos doctores se escoge al azar para representar al per del hospital en una convencién de Ia A.M.A. (esto es, cada doctor tiene una babilidad de 4, de ser seleccionado), zcudl es la probabilidad de que el sel nado no sea un cirujano y no tenga seguro contra tratamiento erréneo? 2.47 Explique sobre la base de las diversas reglas de los ejercicios 2,23 a 2.27 qué hay un error en cada uno de los siguientes enunciados: (a) La probabilidad de que Hueva ¢s 0.67, y la probabilidad de que Ilue nieve es de 0.55. La probabilidad de que una estudiante obtenga una calificacién aprob: ria en inglés es 0.82, y la probabilidad de que obtenga una califi aprobatoria en inglés y francés es 0.86. La probabilidad de que una persona que visite el zoolégico de San Di vea las jirafas es 0.72, la probabilidad de que vea los osos es de 0.84 y probabilidad de que vea ambos es 0.52. (b) © Gs Dado P(A) = 059, P(B) = 030 y P(A MB) = 021, encontrar (a) P(AUB); (b) P(ANB'); (ce) P(ATUB'); @) P(A NB’). 2.49 Para parejas casadas que viven en cierto suburbio, la probabilidad de que el ma rido vote en una eleccién del consejo escolar es de 0.21, la probabilidad de que la esposa vote es de 0.28, y la probabilidad de que ambos voten es de 0.15 {Cudl es la probabilidad de que al menos uno de ellos vote? {50 Una profesora de biologia tiene dos asistentes graduados que la ayudan con ss investigaci6n. La probabilidad de que el mayor de Jos dos asistentes se ausent en un dia dado es 0.08, la probabilidad de que el més joven. de los dos se ausem= te en un dia dado es 0.05 y la probabilidad de que ambos se ausenten en un Gi dado es 0.02. Encuentre las probabilidades de que cualquiera 0 ambos de los asistentes graduados esté ausente en dia dado; al menos uno de los d dia dado; s610 uno de los dos asistentes graduados esté ausente en cualquie @) asistentes graduados no esté ausente ex J Roanoke College se sabe que # de los estudiah ntes son oriund Seccién 2.5: Algunas reglas de probabilidad $1 'a probabilidad de que un estudiante seleceionado aleator College sea de fuera del estado y viva en el campus? mente del Roanoke 252 Suponga que si una persona visita Disneylandia, la Probabilidad de que vaya al ‘Crucero de la Jungia es 0.74, ia Probabilidad de que se suba al Monorriel es 0-70, la probabilidad de que tome el Paseo del Matterhorn es 0.62, la probabili- tad de que vaya al Crucero de la Jungle y se suba al Mononiel €8 0.52, Ia pro- 255 Supongamos que si una persona viaja a Europa Por primera vez, la probabili- dad de que visite Londres y Roma es 0.42, la probabilidad ae que visite Londres ¥ Amsterdam es 0.41, la probabilidad de que visite Paris y Rove ec 0.35, 1a pro- babilidad de que visite Parts y Amsterdam es 0.39, la Probabilidad de que visi- it probabilidad de que visite Londres, Paris y dad de que visite Paris, Roma y Amsterdam es 0.20. y la probabilidad de que visite todas estas cuatro ciudades es (1.12. ;Cudl es la Probabilidad de yue una Fa aoe MDMIDOU priticra, vez. vite al neta unaldetes Le se tno ciudades. (Sugerencia: Use la formula del ejercicio 2.31 ) ic 2.54 Use la formula del ejercicio 2.33 Para convertir cada una de las siguientes ven- tajas en probabilidades: ellos estara roto. (©) Si una persona tiene ocho billetes de $1, cinco billetes de $5 y un billete de $20, y aleatoriamente selecciona tres de ellos, ja ventaja es de 11 a2 de que no todos serén billetes de § (©) Si disponemos arbitrariamente las letras de la palabra “nest”, la ventaja es de5 a1 de que no obtendremos una palabra que signifique Igo en inglés. 285 Use Ia definicicn de “ventaja” dado en el ejercicio 2.33 para convertir cada una de las siguientes probabilidades a ventaja: (a) La probabilidad de que'e! tlt culacién de un (b) leay al menos dos caras en cuatro lanzamientos de una moneda balanceada es babilidad de tirar balanceados 2.56 Sink ejercicio 2.34, ef ier zerido por el tisfacerse. §) pabitidades subjetivas se Jos postulade de nem 52 Capitulo 2: Probabilidad pargo, Jos proponentes del concepto de probabilidad subjetiva gencralmente) ponen este postulado como un eriterio de eongrueneta en olnh® palabras Bijeran las probabilidades subjetivas que no satisfacen el postulado incongruentes. (a) La direciora de una secundaria piensa que la ventaja es 7 a 5 conta para obtener un aumento de $1,000 y 11 a 1 contra ella de obtener ba mento de $2,000, Ademds, piensa que obtener uno de estos aumentos otro es una apuesta pareja. Examine la congruencia de las probabil subjetivas correspondientes. Cuando a un funcionario de un partido politico le preguntan so! futuro politico, responde que la ventaja es 2.a La que no se postulara la Camara de Representantes, y 4.a 1 a que no se postularé para cl Se ‘Ademés, siente que Ja ventaja €s 7 a5 a que se postularé para una ‘otro, 2Son congruentes las probabilidades correspondientes? Hay dos Porsches en una carrera de automoviles en Italia, y un reportero que Ja ventaja contra que ganen es de 3a ly de 5.a3. Para ser congruente () se el ejercicio 2.56), ;qué ventaja debe asignar el reportero al evento que de los dos automéviles gane? Si hacemos x = al ntimero de puntos en las caras de arriba cuando se lanzam par de dados, entonces podemos usar el espacio de muestreo 5, del ejemplo para describir los resultados del experimento. (a) Bncuentre Ja probabilidad de cada resultado en 5;, (b) Verifique que Ia suma de estas probabilidades es 1 Use un programa de computadora que pueda generar enteros aleatoriam en el intervalo (0, 10) con iguales probabilidades, genere 1,000 de tales ent ¥ use Ia interpretacidn de frecuencia para estimar la probabilidad de que un __~ero escogido aleatoriamente tenga un valor menor que L (Zoo thse et método del ejercicio 2.59, genere un segundo conjunte de enteros 2 See Aorios en (0,10). Estime la probabilidad de que A: un entero seleccionado Hamente del primer conjunto sea menor que 1 6 B: un entero seleccio aleatoriamente del segundo conjunto sea menor que 1 (a) use la interpretacién de frecuencia de las probabitidades: (b) use el teorema 2.7 y P(A M B) = 0.25. 2.6 PROBABILIDAD CONDICIONAE Cuando las probabilidades se citan sin especificar el espacio muestral pueden ape Gificultades con facilidad. Por ejemplo, si preguntamos la probabilidad de que us 50,000 al afio, bien podria ser que obtuvigramos varias re ‘jan ser correctas. L jas podria aplicarse « todos | eyes, otra podria aplicarse a todas las personas con licencia fesién legal, ria aplicarse @ todas aque de la profesion legal, y asi sucesivamente, Puesto q Seccién 2.6: Probabilidad condicional ion de un espacio muestral (esto es, el conjunto de todas las posibilidades bajo consi- deraci6n) no es siempre evidente por sf mismo, a menudo ayuda a usar el simbolo P(A415) para denotar la probabilidad condicionat del evento A relativa al espacio mics, {al S ©. comio también la amamos, “la probabilidad de A dado S”. El simbolo P(A |S) hace explicito que nos estamos refiriendo a un espacio muestral particular §, y es pre- ferible que la notacién abreviada P(A) a menos que la cleccién tacita de § se entien- da claramente, También es preferible cuando queremos referitnos a varios espacios muestrales en el mismo ejemplo. Si A es el evento de que una persona gane mas de $50,000 al afio, G es el evento de que una persona sea un graduado de la facultad de le. yes F es el evento de que una persona tenga licencia para practicar la profesién legal, y Ees el evento de que una persona esté dedicada activamente a la préctica de ia profe- sion legal, entonces P(A|G) es la probabilidad de que un graduado de la facultad de leyes gane més de $50,000 al afio, P(A|L) es la probabilidad de que una persona con licencia para practicar la profesi6n legal gane mas de $50,000 al aiio y P(AIE) es la Probabilidad de que una persona dedicada activamente a la préctica de la profesion le- gal gane mas de $50,000 al aio. En los siguientes ejemplos se ilustran algunas ideas relacionadas con las probabi- lidades condicionales. EJEMPLO 2.15 Una organizacion de investigacién de los consumidores ha estudiado los servicios con ga- rantia proporcionados por las 50 agencias de automdviles nuevos en una cierta ciudad, y en la tabla siguiente se resumen sus hallazgos Buen servicio Meal servicio de garantia de garantia En operacion por 10 afios 0 mas 16 4 En operacién menos de 10 aiios 10 20 Si una persona selecciona aleatoriamente una de estas agencias de automdviles nuevos, Zeual es la probabilidad de que seleccione una que proporciona buen servicio de garan- Ya? También, si una persona selecciona aleatoriamente una de las agencias que han operado por 10 afios o mas, ,cudl es la probabilidad de que seleccione una agencia que proporciona buen servicio de garantia? Sofucion Por “alcatoriamente” queremds decir que, en cada caso, todas las selecciones son igualmente probables y podemos por tanto usar la formula del teorema 2.2. Si G denota la seleccién de la agencia que proporciona buen servicio de garantia, y si n(G) denota cl ntimero de elementos en G y n(S) el mimero de elementos en el espacio muestral completo. obienemos Pat 54 Capitulo 2: Probabilidad Para fa segunda pregunta, nos circunseribimos al espacio muestral r¥ que consta de la primera linea de la tabla, esto es, las 16 + 4 = 20 agencias han estado operando por 10 afios 0 mas. De éstas, 16 proporcionan buen de garantia y obtenemos P(GIT) -% 0.80 donde T denota ia seleccién de una agencia que ha operado por 10 afios 0 Esto responde la segunda pregunta y, como se debié haber esperade, P(G| considerablemente més alta que P(G). Puesto que el numerador de P(G|7) es n(TM G) = 16 en el ejemplo pret te, el mimero de agencias que han operado por 10 afios o més y brindan buen sei de garantia y el denominador es n(7), el ntimero de agencias que han operado 10 © mas, podemos escribir con simbolos aTAG) nT) Entonces, si dividimos e1 numerador y ei denominador entre n($), el mémero total agencias de automéviles nuevos en la ciudad dada, obtenemos P(GIT) n(S)_ _ P(TNG) P(GIT) Hy = RD Y asi, hemos expresado la probabilidad condicionai P(G|T) en términos de dos pr bilidades definida para todo el espacio muestral S. Generalizando de Je anterior, definamos ahora la probabilidad condicional. DEFINICION 2.1 Si A y B son dos eventos cualquiera en un espacio muestral S y | P(A) = 0, la probabilidad condicional de B dado A es PANE Pi { | P(B\A) = EFEMPLO 2.16 Con respecto at lo 2.15 ‘obabilidad de que una de las agencias @ ha operado menos ce 1) aftos proporcionard buen servicio de garantia er Seccién 2.6; Probabilidad condicional $5 Solucién 10 10 + 20 P © PUT = =00y P(r) = itucis uesto que P(T’ 1G) 50 7 O28 y P(T") 30 0.60, la sustitucién en la formula nos da P(T'NG) _ 020 PT) ~~ 060 P(GIT) Aunque presentamos la férmula para P(B|A) por medio de un ejemplo donde las Posibilidades son iguaimente probables, esto no constituye un requisito para st uso. EJEMPLO 2.17 Con respeeto a los dados amaitados del ejemplo 2.9, ;cusl es la probabilidad de que el niimero de puntos tirados sea un cuadrado perfecto? También, ,cual es fa probabilidad de que sea un cuadrado perfecto dado que es mayor que 3? Solucién Si A es el evento de que el niimero de puntos tirados sea mayor que 3 y B es el evento de que es un cuadrado perfecto, tenemos A = {4,5,6}, B = {1,4} y - AQ B = {4}. Puesto que las probabilidades de tirar un 1,2, 3,4, 5 0 6 con el da- do sor (véase pagina 39), encontramos que la respuesta a la prime- Ta pregunta es 7a PH) Para determinar P(B|A), calculamos primero PAN B) 9 Entonces, al sustituir en la formula de la definicién 2.1, obtenemos P(ANB) _ a P(A) 7 weiahorn + Para verificar que la f6rmula de la definicién 2.12 ha dado la respuesta “correc- ta” en el ejemplo precedente, s6lo tenemos que asignar probabilidad v a los dos n- meros pares en el espacio muestral reducido A y probabilidad 2» al nimero impar, de tal manera que la suma de las tres probabilidades sea ig a 1. Ast tenemos vt2+y 1, v = 4y, por tanto, P(BA) como antes. EJEMPLO 2.18 Un robabilidad de que una orden esté lista para embarque a tiempo es 0.80, y de que esté lista para embarque bricante de paries de aeroplano sebe or experiencia. que la a Eel 56 Capitulo 2: Probabifidad a tiempo y también se entregue a tiempo es 0.72. ,Cudl es la probabilidad de que orden se entregue a tiempo dado que estuvo lista para embarque a tiempo? Solucién Si R representa el evento de que una orden esté lista para embarque a tie y D sea el evento que se entregue a tiempo, tenemos P(R) = 0.80 P(ROD) = 0.72, y resulta que PROD) . O22 ge PUR) 68" = Asi, 90% de los embarques se entregarén a tiempo con tal que sean embarca a tiempo. Advierta que P(R|D). la probabilidad de que un embarque que se tregé a tiempo también estuvo listo para embarque a tiempo, no se puede det minar sin informacién adicional; para este propdsito también tendrfamos g saber P(D). P(D|R) = Si multplicamos las expresiones de ambos lados de la férmula de la definicié 2.1 por P(A), obtenemos la siguiente regla de multipli TeoREMA 2.9 Si A y B son dos eventos cualquiera en un espacio muestral Sy P(A) # 0, entonces P(ANB) = P(A)-P(BIA) En palabras, la probabilidad de que A y B ocurran ambos es el producto de la proba: bilidad de A y ta probabilidad condicional de B dado A. Alternativamente, si P(B) # 0 Ja probabilidad de que A y B ocurran ambos es el producto de la probabilidad de B y la probabilidad condicional de A dado B; con simbolos P(AMB) = P(B)-P(AIB) Para derivar esta regla alternativa de multiplicacion, intercambiamos A y B en ta formu: la del teorema 2.9 y nos valemos del hecho que AB = BOA. EJEMPLO 2,19 Si seleccionamos alcatoriamente dos cinescopios en sucesién de un embarque de 240 ci nescopios, de los cuales 15 estén defectuosos, cudl es la probabilidad de que ambos es tén defectuosos? Solucién Si suponemos probabilidades iguales para cada selecciGn (que es lo que quere- mos decir al seleccionar aleatoriamente cinescopios), ls probabilidad de qu primer cinescopio esté defectuoso es 42. y la probabilidad de que el segunde nescopio esté defectuoso dado que el primer cinescapio esta defeciuoso e Asi la prohabilidad de que ambos cineseopios estén defectuosos es 8 = Secci6n 2.6: Probabilidad condicional $7 NA Niemi. ee Primer cinesco. Plo no se teemplaza antes de que se seleceione cy segundo cinescopio. 4 EJEMPLO 2.20 Encuentre las probabilidades de sacar aleatoria mente dos ases de una baraja ordinaria de 52 cartas de juego si muestreamos (@) sin reemptaz (0) con reemplazo. Solucién (@) Sila primera carta no se Teemplaza antes de que Probabilidad de sacar dos ases en sucesién ex #e saque la segunda, la (©) Sila primera carta se reemplaza antes de que se saque la segunda, fa pro- babilidad correspondiente es En las situaciones descritas en los dos Sjemplos precedentes hay un orden tem- Poral definido entre los dos eventos A y B. Hin General, éste no tiene que ser el caso cuando escribimos P(A|B) 0 P(B|A), Por slemplo, podriamos preguntar por la proba. bilidad de que ta primera carta que se sacs sen lin as dado que la segunda carta que se sae6 (sin reemplazo) es un as: la respuesta tambie, serfa 3. El teorema 2.9 se puede generalizar fécilmente para que sea valido en mas de dos P(B)-P(AIB) | a i para r En palabras, la probabilidad de que el evento A se haya alcanzado a través de la ma rama del diagrama de érbol de la figura 2.12, dado que se aleanz6 a través de de sus k ramas, e3 Ia razén de la probabilidad asociada con la résima rama a Ja su las probabilidades asociadas con todas las k ramas del arbol. P(ANB,) Demostracién. Escribimos P(B,|A) = eo acuerdo a la nicién de probabilidad condicional, slo tenemos que sustituir P(B,)- P(Al con P(A B,) y Ja formula del teorema 2.12 por P(A). v a P(AIB) A CAVE) > ca) PAIR) OA 2, Bs ey Pb) _ 2a) - Plate) te. ete. A P(B,)- (ALB) Figura 2.12 Diagrama de érbol para e! teorema de Bayes. EJEMPLO 2.27 Con respecto al ejemplo 2.26, si un automévil de renta entregado a Ja empresa de sultorfa necesita una afin: zcual es la probabilidad de que provenga de la ¢ de renta 2? Sotucién Al sustituir las probabilidades en la pagina 63 en la formula del teorem: tenemos (0.30)(0.20) = @GO(0.09) + (0.30)(0.20) + (0.10}(0.06) P(B\A) serve que aunque sdic Secci6n 2.8: Teorema de Bayes 65 EJEMPLO 2.28 En un cierto estado, 25% de todos los automéviles emiten cantidades excesivas de con- taminantes, Si la probabilidad es 0.99 de que un auto que emite cantidades excesivas de contaminantes fallaré las pruebas de emision vehicular del estado, y la probabilidad es 0.17 que un automévil que no emite cantidades excesivas de contaminantes aun asi fa- llard la prueba, ,cudl es la probabilidad de que un auto que falla la prueba emita can- tidades excesivas de contaminantes? Soluci6n Si dibujamos esta situacién como en la figura 2.13, encontramos que las probailida- des asociadas con las dos ramas del diagrama de drbol son = (0.25)(0.99) = y (1 — 0.25)(0.17) = 0.1275. Asi, la probabilidad de que un auto que falla la prue- ba realmente emita cantidades excesivas de contaminantes es 0.2475 3475 + 01275 — 96 Por supuesto, este resultado también se podia haber obtenido sin el diagrama al sustituir directamente en la férmula del teorema de Bayes. & Bom A (0.25)(099) = 0247s (0.75}(0.17) = 0.1275 Figura 2.13 Diagrama de rbo! para el ejemplo 2.28. Aungue el teorema de Bayes resulta de los postulados de probabilidad y Ia defini- sion de probabilidad condicional, ha sido objeto de una amplia controversia. Es indudable la validez del teorema de Bayes, pero numerosos argumentos han surgido sobre la asigna- cién de probabilidades previas P(B,), También, una buena dosis de misticismo rodea al teorema de Bayes porque supone una forma de razonamiento “al revés". 0 a la “inverse esto es, razonar “del efecto a la causa”. Por ejemplo, fallar la prueba es el efecto y emit cantidades excesivas de contaminantes es una causa posible (ejemplo 2.28) EJERCICIOS Eea)Demuestte que fos postulados de probabilidad se satisfacen por las probabili- dades condicionaies. En otras palabras, demuestre que si P(R) = 0, entonces P(AIB) P(A, U = F A;|B} + + pura cualquier secuen- cia de eventos mutuamente excluyerites 4.4 Gam Capitulo 2: Probabitidad los numéricos que P(BIA) + P(BI 2.62 Demuestre por medio de ejemph (a) puede ser igual at; (b) no necesita ser igual a 1. /288 Repitiendo of método de demostracién del teorema 2.10, muestre que | P(ANBACND) = P(A): P(BIA)- (CIA NB) - P(DIA NB OG | con tal que P(A MBM C) + 0. {2apasios tres eventos A, B y C tales que P(A BAC) # Oy P(C|AD } —/p(C|B), demuestre que P(A|BM C) = P(AIB). / // 285 Demuestze que si P(B|A) = P(B) y P(B) # 0, entonces P(A|B) = Pl aN CA Demuestre que silos eventos A y B son independientes, entonces (a) los eventos A’ y B son independientes; (b) los eventos A” y B’ son independientes. ( 2.67 Demuestre que si los eventos A y B son dependientes, entonces los eves Ly ¥ B’ son dependientes. 4168 VTome 1a figura 2.14 como referencia para demostrar que P(A B® P(A) P(B) - P(C) no implica necesariamente que A, B, y Cson todos in dientes por parejas. Figura 2.14 Diagrama para los ejercicios 2.68, 2.69 y 2.70. clemostrar que si A es independiem 2.69 Tome Is figura 2.14 como referencia para necesariamente independiente y A es independiente de C, entonces B no es 2.70 Tome la figura 3.14 coma referencia para demostrar que si A es inde} de By A es independiente de-C, entonces A no es necesariamente indepas te de BUC eventos A, B.y C son independientes, demuestre que BOC son independientes U C son independientes, Seccién 2.8: Teorema de Bayes o 2.72 Demuestre ue se deben satisfacer 24 — & — 1 condiciones Para que k even. tos sean independientes, 2.73 Para cualquier eve Ke (275 Hay sreala.aspitantes para un trabajo en el departamento de noticias de una dina a elevnion. Algunos son epeceden Ja universidad y algunos no, al. Enos de ellos tienen al menos tres etee ie experiencia y algunos no ia ticnen, el andlisis exacto es Feresados de No egresadog launiversidad de ta universiced Hida eS alos de experiencia, determine cada una de las siguientes probabi- Hidades directamemte de los asicntes ¥ de los renglones y columnas de la table @) PG); ) P(r); © Penn); @ Pe'nr); (©) P(7iG); @ PG IT), ¢ PIENT) @ P(TiG) = “HG PGT) 3 zg) &) Par) Pr) 277 Con respecto al Piercicio 2.46, gcudl es ta Probabilidad de que el doctor escogi- do para representar aj Personal del hospital en ta Convencién tenga seguro con- it4 tratamiento erréneo dado que es un cirujano? 278 Con respecto al ejercicio 2.49, zeudl es la probabilidad de que un marido yote &n la eleccién dado que su mujer va 4 votar? 2.9 Con respecto al ejercicio 251, cual €s la probabilidad de que uno de fos estu- 2.80 Unc caja contiene 100 Bee oe ecules oa age blan: nn ReBras. Si se seleccionan dos pelotas de Ja ca una Serd roja y una serg blanca 68 Capitulo 2: Probabilidad (a) si fa primera pelota se reemplaza antes de sacar Ja segunda; (b) sila segunda pelots se saca sin reemplazar la primera? 281 Se cree que las probabilidades son 0,20, 0.40, 0.30 y 0.10 de que los baloncesto de cuatro universidades, T, U, V y W, ganen el campeon conferencia. Si se pone a Ja universidad U bajo vigilancia y se le de gible para el campeonato, ;cudl es la probabilidad de que la universid ne el campeonato de la conferencia? Gon respecto al ejercicio 2.52, encuentre las probabilidades de que un na que visite Disneylandia (a). viajaré en el Monorriel dado que iré en Crucero de la Jungla; (b)_tomaré el paseo del Matterhorn dado que iré al Crucero de la Jum jaré en el Monorriel; (©) no ird al Crucero de la Jungla dado que viajaré en el Monorriel ré el paseo del Matterhom, (a) tomard el paseo del Matterhorn e ir4 al Crucero de la Jungla dado viajard en el Monorriel. (Sugerencia: Dibuje un diagrama de Venn y anote las probabilidades as con las diversas regiones.) X2.83 La probabitidad de sobrevivir a una cierta operacién de trasplante es 0 paciente sobrevive la operacién, la probabilidad de que su cuerpo trasplante en menos de un mes es 0.20. ,Cudl es la probabilidad de que suite viva a estas etapas criticas’? 2.84 Se examinan canastas 0 cajas de huevo en busca de codgulos de sangre al» mover aleatoriamente tres huevos sucesivamente y examinar su contesi Ios tres huevos estén bien, se embarea la caja: de otra manera se rechaza. gis es la probabilidad de que una caja se embarque si contiene 120 huevos a \ cuales 10 tienen codgulos de sangre? spongamos que en Vancouver, B. C., la probabilidad de que @ un dia Hae ‘de otono le siga un dia lluvioso es 0.80 y Ia probabilidad de que a un diam do le siga un dia Iuvioso es 0.60. Encontrar las probabilidades de que 2mm « Ituvioso de otofio le siga (a) un dis Huvioso, un dia soleado y otro dia Auvioso: (b) dos dias soleados y después un dia Tuvioso; (c) dos dias Huviosos y después dos dias soleados; (2) lueva dos afas mas tarde. [Sugerencia: En el inciso (c) use la formula del ejercicio 2.63.] . 2.86 Use la £6rmula del ejercicio 2.63 para encontrar Js probabilidad de escogera toriamente (sin reemplazo) cuatro conejillos de Indias de una jaula queen ne 20 conejillos de Indias, de los cuales 15 estn sanos y 5 estén enfer 2.87 Se lanza dos veces un dado balanceado, Si A es el evento de que en el gm tiro salga un mimero par, B es el evento de que en el segundo tire salgalam: nero par. ¥ C es el evento de que ambos tiros restlten en ef mismo mmm gson los eventos 4, H y € Secci6n 2.8: Teorema de Bayes 69 (a) independiemtes por parejas, (b) independientes? (@) un acierto seguido de dos Falla; ©) dos aciertos y una falla en cualquier orden (@) s6io caras; (b) dos cruces y una cara en ese orden? (29000 Embarque de 1,000 partes contiene 1% de'partes defectuosas, Encuentre a Probabilidad de que (@) las primeras cuatro partes escogidas aritrariamemte para inspeccion no sean defectuosas; (©) 18 primera parte defectosa se encontraré en la cuaria inspeccién. 291 Los registros médicos muestran que una entre 10 personas en una cierta ciudad Gene deficiencia tiroidea, Si se escogen aleatoriamente 12 personas en esta ciu- dad y se les hacen andlisis ,cuai es la probabilidad de que al menos una de elias tenga una deficiencia tiroidea? FK( 24) Una iivmomsee eee encon- frado que si un cliente paga oportunamente en un mes. la probabilidad es 0.90 de que é1 0 ella también pague oportunamente el siguiente mes; sin embargo, si un cliente no pag oportunamente en un mes. la probatiignd que él 0 ella Pague oportunamente el siguiente mes es solamente omy (a) {Cual es la probabilidad de que un cliente que paga oportunamente en un ‘mes también pagard oportunamente los tres meses siguientes? ©) Cul esi probabilidad de que un eliente que no paga oportunamente en haga oa amPOco Pagaré oportinamente los siguientes dos mesesy despuge haga un pago oportuno al mes siguiente de ello? 295 Con respecto a la figura 2.15, verifique que los eventos A, B, Cy D son inde- Pendientes. Advierta que la regiGn que representa a A consta de dos citeutos, y tambien es ast para las regiohes que representan By ¢ Oma eianta electrénica, se sabé por experiencia previa que la oy obal *$ O64 de que un trabajador nuevo que haya asistido a Programa de capacita 2.96 7” Figura 2.15 Diagrama para el ejercicio 2.95. cion 0 adiestramiento de la compaiia cumplirs con su cuota de producci la probabilidad correspondiente es 0.49 para un trabajador nuevo que no asistido al programa de capacitacién de la compaiiia. Si 70% de todos los bajadores nuevos asisten al programa de capacitaci6n, ,cudl es la probabili de que un trabajador nuevo cumpliré con la cuota de producci6n? En un laberinto 7, a una rata se le da comida si voltea a la izquierda y una carga de electricidad si voltea a la derecha. En el primer ensayo hay una bahilidad de 50-S0 de que Ia rata se voltee en cualquier direcci6n; entone recibe alimento en el primer ensayo, la probabilidad es 0.68 de que volte Ja izquierda en el siguiente ensayo, y si recibe una descarga eléctrica en el mer ensayo, la probabilidad es 0.84 de que volteard a la izquierda en el siguis te ensayo. ,Cual es Ia probabilidad de que la rata voltee a la iaquierda em segundo ensayo? (238) Por experiencia se sabe que en una cierta industria 60% de todos los litigios —~ tre los trabajadores y la administracién son por salarios, 15% por las condi nes de trabajo y 25% son sobre aspectos de prestaciones. También 45% de litigios por salarios se resuelven sin huelgas, 70% de los litigios por condici dc trabajo se resuelven sin huelgas y 40% de Jos litigios acerca de prestaciones, resuelven sin huelgas. ;Cual es la probabilidad de que un Hitigio entre tral dores y la administracin se resuelva sin una huclge? Con respecto al ejercicio 2.98, ;cudl es la probabitidad de que si un litigio los trabajadores y.la administracién se resuelva sin nna huciga, sea por sala 2.100 La probabilidad de que un accidente de un solo automdvil sea debido # fre defeetuosos es 0.04, Ia probabil ue un atcidente de un solo auto sea amenie atribuido a frenos defectuosos es 0.82, v Is probabilidad de que cidente de un solo avto sea incorrectamente airibuido a frenos defectuosag 0.03. ;Cadt es ta probabilidad de que 2.101 2.102 2.003 2.104 2.405 Seccién 2.8: Teorema de Bayes 71 (@) un accidente de un solo auto ser atribuido a frenos defectuosos: (b) un accidemte de un Solo auto atribuido a frenos defectuosos fue realmen- te causado por frenos defectuosos? En una cieria comunidad, 8% de todos los adultos mayores de 50 afios tienen diabetes. Si un servicio de salud en esta comunidad diagnostica correctamente 2 95% de las personas con diabetes como enfermas de diabetes ¢ incorrecta- diane suseostica a 2% de todas las personas sin diabetes coms enfermas de Giabetes, encuentre las probabilidades de que (2) el servicio de salud comumitario diaenosticaré a un aduito mayor de 50 co- mo enfermo de diabetes, (b) una persona mayor de 50 diagnosticada cor diabetes por el servicio de sa- lud realmente tenga la enfermedad. Con respecto al ejemplo 225, suponga que descubrimos posteriormente que el tra- bajo se termin6 a tiempo. ,Cudl es la probabilidad de ue haya habido una huelga? Una casa de ventas por correo emplea tres dependientes de almacén, U,V y W, Hcg titan articulos de los anaqueles y los retinen para su subsecuente ve- rificacion y empaque, U comete un error en una orden (saca el articulo equivo- ‘ado 0 Ia cantidad equivocada) una vez de cien, V comete an error en una Orden cinco veces de cien, y W comete un error en una orden tes veces de cien, S'U, V'y W surten, respectivamente, 30, 40 y 30% de todas las drdenes, :cwal €s la probabilidad de que (2) se cometa un error en una orden; (©) sise comete un error en una orden, la orden haya sido surtida por U; (©) sise comete un error en uma orden, la orden haya sido surtida por V? 3 explosién en una obra en construccién pudo haber ocurrido como resultado de electricidad estética, mal funcionamiento del equipo, descuido o sabotaje Entrevistas con los ingenieros de construcciéa que analizaron los riesgos impii- cados dieron como resultado céleulos de que tal explosign ocurriers con proba- bilidad de 0.25 como un resultado de la electricdad estatica, 0.20 como un resultado del mal funcionamiento del equipo, 0,40 como un Tesultado de descui- do, y 0.75 como un resultado de sabotaje. También ve juzg6 que las probabilida. fies previas de tas cuatro causas de la explosion eran 0.20, O40, 0.25 y 0.415. Con base en toda esta informacién, zcusil es (2) Ja causa més verosimil de la explosion: (b) Ia causa menos verostimil de la explosion? nm Corredora de arte recibe un embarque de cinco pinturas antiguas del ex. tranjero, y sobre ta base de la experiencia pasada estima que las probabilidades on. Fespectivamente, (0.76, 0.09, 0.62, 0.01. 0.02 ¥ 6.10 de que 0.3, 2.3.40 todas las 5 sean falsificaciones. Puesto que. el costo de autenticaciin ec bastante alto, Gecide seleccionar sicatoriamente una de las cines pinturas y enviarla para su sutenticacién, Si rest debe asignarl bién falsificaciones que esta pintura es una falsificacién. ,qué prot ahora a la po Capitulo 2: Probabilidad Jang Para obtener respuestas a preguntas delicadas algunas veoes Wem Mt jlamado la técnica de respuesta al azar. Supongamos por ejemplo, que qu: determinar qué poreentaje de Jos estudiantes a una ‘universidad grande deter. Elaboramos 20 tayetas “flash, anotamos “Fumo mariguans al hnos una vez por semana” en 12 de las tarjetas, donde 12 se selecciona arbit mente, y “No fumo mariguana al menos uma vez Por semana” en las Enronces, dejamos que cada estudiante (en la muestra entrevistada) selecci ri una de las 20 tarjetas y Tesponda “st” 0 “no” sin divulgar In Pregun'®, (@)_ Establezca una relaciéa entre P(¥), la probabilidad de que un est ‘dard una respuesta de “st” y P(M), la probabilidad de que un estudiante: Jeocionado sleatoriamente en esa Universidad fume marihuana al una vez por semana. (b) Si 106 de 250 estudiantes respondieron “st” bajo estas condiciones, resultado del inciso (a) y isp como un estimado de P(Y) para est P(M). REFERENCIAS Entre los numerosos libros-de texto sobre teorfa de la probabilidad publicados en afios cientes, uno de los més populares es FELLER. W.,An Introduction to Probability Theory and Tis ‘Applications, Vol, 1, 3rd ed. Ns “Yorke John Wiley é& Sons, Inc., 1968. Se pueden encontrar tratamientos mds elementales en Bann, D.R.,and Zeewa, PW, Probability: Modeling Uncertainty. Reading. Mass: A “Wesley Publishing Company, Ine., 1983, DaapER N.R..and LawRENce, W.E., Probability: An Introductory Course Chicago: Publishing Company. 1970, FREUND, J.E., Introduction to Probability. Encino, Calif: Dickenson Publishing Co.,Inc., attanko, §, Probability —An Iniroduction. Mineola, N.Y: Dover Publications ne. (Re cin de Ia edicién de 1960), Honoes IL, and LEHMANS, E.L, Elements of Finite Probability San Francist0: He Day, Inc... 1965, Nosal. M., Basic Probability and Applications. Philadelphia: W. B- Saunders Company, # En muchos textos se dan tratamientos més avanzados, por ejemplo. Host, P, Porr.$.C.and STONE, C.J, Introduction to Probability Theory. Boston: Ho Mifflin Company, 1971, Kuazante. R., Basic Probability Theo Publishing Company. Inc., 1976, parzex, E.. Modern Probability Theory and Its Applications Nueva York: John Wil Sons, Ine., 1960, Ross 8, A First Course in Probability, 3rd ed. Nueva York Macmillan Publishing pany, 1988, sceowon,F. Probability and Siochastic Processes. Upper Sade River, NJ: Prentice 1987 snd Applications, Pacific Palisades, Calif: Go CAPITULO 5 Distribuciones de probabilidad especiales INTRODUCCION LA DISTRIBUCION UNIFORME DISCRETA LA DISTRIBUCION DE BERNOULLI LA DISTRIBUCION BINOMIAL LAS DISTRIBUCIONES BINOMIAL NEGATIVA Y GEOMETRICA LA DISTRIBUCION HIPERGEOMETRICA LA DISTRIBUCION DE POISSON UA DISTRIBUCION MULTINOMIAL LA DISTRIBUCION HIPERGEOMETRICA MULTIVARIADA 5.1 INTRODUCCION En este capitulo estudiaremos algunas de las distribuciones de probabilidad que figuram de manera més prominente en la teoria y las aplicaciones estadisticas. También estudis- remos sus parimetros; esto es, las cantidades que son constantes para distribuciones particulares pero que pueden tomar diferentes valores para diferentes miembros de las familias de distribuciones de la misma clase. Los pardmetros mds comunes son los mo ‘mentos inferiores, principalmente p y 0, y como vimos en el capitulo 4, hay esenciaimen te dos maneras en que se pueden obtener: podemos evaluar las sumas necesarias directamente o podemos trabajar con funciones generatrices de momentos. Aunque pa recerfa l6gico usar en cada caso cualquier método que fuera mas simple, algunas veces usaremos ambos. En alpunos casos esto s¢ haré porque fos resultados se necesitan ma adelante; en otros meramente servirén para dar al lector experiencia en Ja pti de las técnicas matematicas correspondientes. También, para mantener este capitulo dentro de io razonable, muchos de los detalles se dejan como ejercicios 5.2 LA DISTRIBUCION UNIFORME DISCRETA una variable ale asumir k valores diferentes con igual proba lidad, dec: e una dist in uniforme discreta; simbdlicamente Capitulo 5: Distribuciones de probabilidad especiales periicién 5.1 Una variable aleatoria X tiene u, ereta y se conoee Como una Variable aleatoria unifon bucién de probabilidad esté dad, ina distribucién uniforme dis me discreta si y sdlo si su distri- la por 1 fx) = 2 rex, Ue) area par . | donde x; # x cuando i # j, L De acuerdo a las definiciones 42 y 44, 1a media y Ia varianza de esta distribucién son t f 1 , En el caso especial donde x, = i, ta distribucién uniforme discreta se vuelve oy fx) = © para x= 1,2, +k, yen esta forma se aplica al zamos con un dado balanceado. uniforme y su funci6n generatriz numero de puntos que lan- La media y ia varianza de esta distribucién discreta de momentos se tratan en los ejercicios 5.1'y 52. 5.3 LA DISTRIBUCION DE BERNOULLI Si un experimento tiene dos resultados posibles, “éxito” y “fracaso”, y sus probabilida- des son, respectivamente, @ y 1 ~ 6 entonces el niimero de éxitos, 0.0 1, tiene una distribucién de Bernoulli: simboticamente, | peeicion 5.2 Una variable aleatoria X tiene una distribucién de Bernoulli y cramudce como una variable aleatoria de Bernoulli siy a6lo aan distribucion de P probabilidad esta dada por | fe) is parax = 0,1 is =| Ast, £(0;8} = 1 — @y A1;6) = mos la notaci6n f(x; 6) para indic: ne el pardmetro tinico @, Puest Ja distribucion de fa 5 En relacién con moneda e examen, y cuando ia tes i 8 se combinan en una sola formula. Observe ¥ explicitamente que la dist gue Ja dist de Bernoi eccién 5.4, no Ja examinaremos @ distribucién de Bernoulli uilibrada, puede se que usa- pucion de Bernoulli tie ulli es un caso especial de aqui en detalle un éxito pulmonia, p ede Ser sacar cara con una tede ser aprobar (0 reprobar) un temanente de los dia s de azar (v el fr pes erder una carrera. Esta incor ‘Orla de probabilidad se aplicaba Seccién 5.4; La distribucién binomial 169 al cual se aplica la distribucién de Bernoulli como un ensayo de Bernoulli, o simplemen te un ensayo, y & le serie de esos experimentos como ensayos repetidos 5.4 LA DISTRIBUCION BINOMIAL Los ensayos repetidos juegan un papel muy importante en probabilidad y estadistica, especialmente cuando el niimero de ensayos es fijo, el parametro @ (la probabilidad de un éxito) es el mismo para cada ensayo, y los enSayos son tod6 fiidependientes. Como veremos, surgen Varias variables aleatorias en relacién con ensayos repetidos. La que estudiaremos trata del mimero total de éxitos; en la seccién 5.5 se dardn otras. La teoria que examinaremos en esta seccidn tiene muchas aplicaciones; por ejem- plo, se aplica si queremos saber la probabilidad de sacar 5 caras en 12 lanzamientos de una moneda, la probabilidad de que 7 de 10 personas se recuperaran de una enfermedad tropical 0 la probabilidad de que 35 de 80 personas responderén a una solicitud por correo. Sin embargo, éste es el caso solo si cada una de las 10 personas tiene la misma oportunidad de recuperarse de la enfermedad y su recuperacién es independiente (diga- mos, que las, tratan doctores diferentes en diferentes hospitales), y si la probabilidad de obtener una respuesta a la solicitud por correo es la misma para cada una de las 80 perso- nas y hay independencia (digamos, no hay dos de ellas que pertenezcan al mismo hogar). Para derivar una férmula para la probabilidad de obtener “x éxitos en m ensayos bajo las condiciones enunciadas, observe que la probabilidad de obtener x éxitos yn — x fracasos en un orden especifico es @*(1 — 8)" ~*. Hay un factor @ por cada éxito, un factor 1 — 6 por cada fracaso, y Jos x factores @ y 1 — @ factores n — xse multiplican todos entre sf en virtud de la suposicién de independencia. Puesto que esta probabili- dad se aplica a cualquier serie de n ensayos en la cual hay x Exitos yn — x fracasos, s6lo tenemos que contar cudntas series hay de esta clase y entonces multiplicar 6*(1 — 6)" por ese numero. Claramente, el nlimero de maneras en que podemes é a seleccionar x ensayos en los que un éxito es c } se sigue que la probabilidad desea- da para “x éxitos en 11 ensayos” es ( x DEFINICION 5.3. Una variable aleatoria X tiene una distribucién binomial y noce como una variable aleatoria binomial sty s6lo si su distribucién de proba- bilidad esté dada por bla n, 8} 2] nimero de éxitos en n ensayos es una variable aleatoria g iribucién binomial con ios pardmetros n y 6. Ei nombre “distribuci6n binomial cho gue los valores de a(x; n, 4) para x = snson los té 170 Capitulo 5: Distribuciones de probabilidad especiales sucesivos de la expansién binomial de [(1 — @) + #/; esto demuestra también que la suma de las probabilidades es igual a 1, como debe ser EJEMPLO 5.1 Encuentre la probabilidad de sacar 5 earas y 7 cruces en 12 lanzamientos de una mo- neda equilibrada, Solucién Al sustituir x = 5,7 tenemos Wye en la formula de la distribucién binomial, ob- ood ONIN eet Bl 5; 12,5 =(2)G -}) (s22)-()G)G-3 (2 ¥- al buscar el valor de (“<’} en la tabla VII, encontramos que el resultado es 792(3)”* o aproximadamente 0.19. 4. EJEMPLO 5.2 Encuentre la probabilidad de que siete de 10 personas se recuperarén de una enferme- dad tropical si podemos suponer independencia y ia probabilidad de que cualquiera de ellos se recuperard de la enfermedad es 0.80. Solucién Al sustituir x = 7, = 10 y @ = 0.80 en ta formula para la distribucion binomial, obtenemos (7:10, 0.80) = (?)cosora — 0.80) 10 y.al buscar et valor de { 4) en la tabla VI, encontramos que ¢l resultado es 120(0.80)'(0.20)' 0 aproximadamente 0.20. Si intentaramos calcular la tercera probabilidad pedida en la pégina 169, la tocan- te a las respuestas de una solicitud por correo, al sustituir x = 35, n = 80 y, digamos. 6 = 0.15. en la formula de la distribucién binomial, encontrarfamos que esto requiere una cantidad prohibitive de trabajo. En la practica real, rara vez se calculan directamen- te las probabilidades binomiales ya que hay extensas tabulaciones para diversos valores de 6 yn. existe una abundancia de software de computadoras que da las probabilida- des binomiales asi como las probabilidades acumuladas correspondientes Bix; n,0) = S ok con sélo dar instrucciones seneifias. En la figura 5.1 se muestra un ejemplo de una ie presi6n asf (con une notacign algo diferente) Seccin 5.4: La distribucién binamial BINOMIALES PARA N = ig = .630090 P(x = K} X MENOR 0 = KX) neo 9080 p08 -0999 063 9071 o285 -9356 9849 1295 1734 -2939 2461 5490 2394 7794 1529 9323 -0578 9992 0598 1.9998 Rune Figura 5.1 Impresién de computadora para probabilidades binomiales para n= 10 y @ Anteriormente, se us ampliamente la tabla del National Bureau of Standards y el libro de H. G. Roming; se encuentran en la lista de las referencias al final de este ca- pitulo. También, la tabla I da los valores de (x; n, @) con cuatro cifras decimales para n= Lan = 20y@ = 0.05, 0.10, 0.15,... ,0.45, 0.50. Para usar esta tabla cuando 6 es mayor que 0.50, nos referimos a ia identidad TEOREMA 5.1 b(x3n, 8) = b(n — x:n,1 — 0) cuya demostraci6n se pediré al lector en et inciso (a) del ejercicio 5.5. Por ejemplo, pa- ra encontrar (11: 18, 0.70), buscamos b(7: 18, 0.30) y obtenemos 0.1376. También, hay varias maneras mediante las cuales se pueden aproximar las distribuciones binomizles cuando n es grande; en la seccién 5.7 se menciona una de éstas y otra en fa secci6n 6.6 Hallemos ahora formulas pare la media y la varianza de la distribucion binomial istribucién binomial son Capitulo 5: Distribuciones de probabilidad especiales, Demostracion ed Se Mia gil donde omitimos el término correspondiente a x = 0, que es 0, y eancelamos la x contra el primer factor de x! = x(x ~ 1)! en el denominador de (6) Entonces, sacamos el factor n en n! = n(n — 1)! y un factor &, obtenemos not iy = ne Bs (Gee 1 = ay y,al hacer y = x ~ Lym =n — 1, esto se vuelve B 3 ("oa = 0)"-? = nb puesto que la Ultima suma es la suma de todos los valores de una distribucion bi- nomial con pardmetros mi y 8, y por tanto es igual al Para encontrar expresiones para 3 y o?, usemos el hecho que E(X*) E[X(X ~ 1)] + E(X) y primero evaluamos E[X(X — 1)], Repetimos para to- | do propésito practico los pasos antes usados y obtenemos asi E[X(X - )] = 3x6 - o(Jea - oy al Ma 5 (Ge — 2, esto se vuelve (ee Oya yal hacer y = E[X(X — 1) = n(n -— ye? > (= dora - ey? = n(n — 196? Por consiguiente, 4 = E[X(X — 1)] + E(X) = nln — 1) + no y, finalmente, Seccién 5.4: La distribucién binomial 173 En el ejercicio 5.6 se sugicre una demostracién alternativa de este teorema que requie- re mucho menos detalle algebraico. No nos debe causar sorpresa que el producio n6. nos dé la media de la distribu cia binomial. Después de todo, si lanzamos una moneda equilibrada 200 veces, espe- ramos (en el sentido de esperanza matemética) 200-4 = 100 caras y 100 cruces; en forma similar, si un dado equilibrado se tira 240 veces, esperamos 240+! = 40 seises, y si la probabilidad es 0.80 de que una persona de compras en una tienda departmental haga una compra, debemos esperar que 400(0.80) = 320 de 400 personas de compras en la tienda departamental hagan una compra. La formula de ia varianza de la distribucin binomial, al ser una medida de la va- riaci6n, tiene muchas aplicaciones importantes; pero, para subrayar su importancia, i consideremos la variable aleatoria Y = <, donde X es una variable aléstoria que tiene una distribucién binomial con los parémetros n y @. Esta variable aleatoria es la pro- porcién de éxitos en ensayos, y en el ejercicio 5.6 se le pedird al lector que prucbe el siguiente resultado. TEOREMA 5.3 Si X tiene una distribucién binomial con los parémetros n y @ a y Y = 5, entonces Ahora, si aplicamos el teorema de Chebyshev con ke = ¢ (véase el ejercicio 4.40), podemos afirmar que para cualquier constante positiva c la probabilidad es al menos _ a — 6) ne i de que la proporcién de éxitos en n ensayos caiga entre @ — cy @ + c. Por tanto, cuan- do n°, la probabilidad se aproxima a I de que la proporcién de éxitos diferirdé de @ por menos que cualquier constante arbitraria c, Este resultado se llama una ley de gran- des miimeras, y se debe observar que aplica a la proporcién de éxitos, no a su ntimero seal. Es una falacia suponer que cuando mes grande el numero de éxitos necesariamen- te debe estar proximo a nf. Una facil ilustraci6n de esta ley de grandes mimeros se puede obtener mediante una simulacién por computadora de los lanzamientos repetidos de una monedu equili brada. Esto se muestra en la figura 5.2 donde los i y los 0 denotan caras y cruces. Al leer a lo ancho de renglones sucesivos, encontramos que entre los primeros cinco lanzamientos jados hay 3 caras, entre los primezos die hay 6 caras, entre los, 5 15 hay 8 caras, entre tos primeros 20 hay 12 caras, entre los primeros.25 hay entr : todos los cien hay St caras. Las proporcior uestra en la figura 5.3, son 2 = 06 & = 0.60 Capitulo 5: Distribuciones de probabilidad especiales 8a eee a VALOR PRECUENCTA a 49 (ae a es a ile al 1.000 S10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95100 Numero simulado de lanzamiento de una moneda Figura 5.3 Gréfica que ilustra la ley de los grandes nimeros én de caras fluctiia pero se acer 0.51. Observe que Ia propo gada vez més a 0.50, la probabilidad de cara en cada lanzamiento de la moneda. Puesto que la funcién generatriz de momentos de Ia distribucion binomial es f cil de obtener, encontrémosla y usémosla para verificar los resultados del teorema 5.2 TEOREMA 5.4 La funcién generatriz de momentos de la distribucion binomial es | Seccién 5.4: La distribucién binomial 175. Demostracién. Por las definiciones 4.6 y 5.3, obtenemos M,(0) Sera ~ a) = E(“oerra ae Y por el teorema 1.9 esta suma se reconoce fé mial de [@e' + (1 — @)]" Imente como la expansiGn bino- 1+6(e— 1) ow Si diferenciamos My(t) dos veces con respecto a t, obtenemos My (1) = née + a(e' — 1)}"" M(t) u nde[1 + ae! — 1)! + n(n — 11 + ale — 1)? = née'(1 — 6 + née!)[1 + a(e' — 1)] y, después de sustituir ¢= 0, obtenemos yj =n y 15 = n6(1 — 0 + 18). Ast, w= nb yo = ps — pw? = nB(1 — 6 + né) — (n@)’ = n@(1 ~ 8), lo cual concuerda con las formulas dadas en el teorema 5.2. A partir del trabajo de esta seccién puede parecer més facil encontrar los mo- mentos de Ia distribucién binomial con la funcién generatriz. de momentos que evaluar- las directamente, pero debe ser evidente que la diferenciacién se vuelve bastante complicada si queremos determinar, digamos, 1 0 4. En realidad, existe todavia una forma més fécil de determinar los momentos de la distribuci6n binomial; se basa en su funci6n factorial generatriz de momentos, Ia cual se explica en el ejercicio 5.12. EJERCICIOS 1 SA Si X tiene una distribucién uniforme discreta f(x) =~ para x=1,2,....k, demuestre que ‘ (a) su media es p = (b) su varianza es = (Sugerencia: refiérase al apéndice A.) 1 — para x= 1,2,...,k 52 Si X tiene una distribucién uniforme discreta f(x) demuestre que su funcién generatriz de momentos esté dada por Mit) = far im Mj-(7). ¥ com 1a media de esta distribucion al e n el ejercicio 5, pare el resultado con el obten Capitulo 5: Distribuciones de probabilidad especiales 5.3 En la seccidn 5.3 20 estudiamos la distribucién de Bernoulli con mucho deta- le, porque puede considerarse como una distribucién binomial con n = muestre que para la distribuciéa de Bernoulli, u) = @ para r= 1,23, (a) evaluar fa suma ¥ 2". f(x; 8); ra (®) hacer m = 1 en la funcién generatriz de momentos de la distribucién bino- )) mal y al examinar su serie de Maclaurin. 5.4 Use el resultado del ejercicio 5.3 para demostrar que para la distribuci6n de f_ 7 Bernoulli 1-26 (@) a= donde a; es la medida de la asimetria definida en el ) TT s la medida ejercicio 4.34; ea — 0) 1 = 360 ~ ances () out ates larmiedicaldeiditiba ent pur eenea Gefinida en el ejercicio 4.35. 55 Verifique que (a) b(xin, 8) = b(n — xn, 1 — 9). También demuestre que si B(x n, 0) = > b(k; n, 8) para x=0, 1,2,....m, entonces io (0) bx; m, 6) = B(x; nm, @) — B(x — 1; n, 8); (©) b(x:n, @) = Bin — x;n,1 — 6) — B(n — x — 15H, 1 — 6); (@) B(x: n, 6) = 1 — Bin x-1;n,1- 8). 5.6 Una demostracién alternativa del teorema 5.2 se puede basar en el hecho que si X,%,... y X,, son variables aleatorias independientes que tienen la misma distribucién de Bernoulli con el parimetro 6, entonces ¥=X, + Xz +: + X, es una variable aleatoria que tiene la distribucién binomial con los parémetros n y 6. (a) Verifique directamente (esto es, sin recurrir al hecho que la distribucién de Bernoulli es un caso especial de Ja distribucién binomial) que la media y la varianza de Ia distribucion de Bernoulli son « = 6 y o” = 6(1 — 8). (b) Con base en el teorema 4.14 y su corolario en las paginas 158 y 159, de- muestre que si X;, X2,... ¥ X, son variables aleatorias independientes que tienen la misma distribucién de Bernoulli con el parémetro 8 y Y = X; +X +--+ X,, entonces E(Y)=n6 yy var(Y) = no(1 — 8) 5.7 Demuestre el teorema 5.8 Al calcuiar todos los valores de une distribucién binomial, suele ser posible simpli ficar el trabajo al calcular primero b(0: n. 6) y después usar la fOrmula recursiva TiC Seccién 5.4: La distribucién binomial 477 Verifique esta férmula y tisela para calcular los valores de la distribucion bino- mial conn = 7y @ = 0.25. Use la formula recursiva del ejercicio 5.8 para demostrar que para @ = } la dis- tribucién binomial tiene n (@) un méximo en x = $ cuando m es par; s ae (©) méximos en x = "= dyn 2 ley ieee Si X es una variable aleatoria binomial, gpara qué valor de @ es la probabili- dad de 6(x; 7, @) un méximo? En la demostracién del teorema 5.2 determinamos la cantidad E[X(X — 1)]. llamado el segundo momento factorial. En general, el résimo momento facto- tial de X est dado por iy = ELX(X = 1K = 2)+ (KF +1) Exprese 1, 5 y pj en términos de los momentos factoriales. La funcién generatriz de momentos factoriales de una variable aleatoria discre- ta X esté dada por AQ = EC) = Des) Demuestre que la résima derivada de F(t) con respecto arent = Les pj). résimo momento factorial definido en el ejercicio 5.11. Con respecto al ejercicio 5.12, encuentre Ja funcién generatriz. de momentos fac- toriales de (a) Ja distribucién de Bernoulli y demuestre que pj = 9 y wig = 0 para eT - (b) Ja distribucién binomial y Gisela para encontrar 4. y 0” Si hacemos a = —p en la primera parte del teorema 4.10, donde #2 es Ia me dia de X, obtenemos My () = My, (8) = eM My (9) (a) Demuestre que Ja résima derivada de My_,,(1) con respecto a fen 1 = 0 da el résimo momento alrededor de la media de X, (b) Encuentre esa funcién gencratriz, para los momentos alrededor de la me- dia de la distribucién binomial. y verifique que la segunda derivada en 1 = es n6(1 — 8). Use el resultado det inciso (b) del ejercicio 5.14 para demostrar que para la dis- tribucién binomial je a, es Is medida di mos concluir sabre ja asimetria de la distribucién binomi 178 Capitulo 5: Distribuciones de probabilidad especiales @ o=k (b) wes grande? APLICACIONES (isin examen de seleccién multiple consiste en ocho preguntas y tres respuestas a cada pregunta (de las cuales s6lo una es correcta). Si un estudiante contesta cada pregunta tirando un dado balanceado y marca la primera respuesta si sa- ca 1 0 2, la segunda respuesta si saca 3 0 4, y la tercera respuesta si saca 5.0 6, {cual es la probabilidad de que tendré exaciamente cuatro respuestas correctas? 17 Un ingenicro en seguridad automottiz afirma que 1 de 10 accidentes automovi- Histicos son causacios por fatiga del conductor. Use la formula para la distribuciOn binomial y con redondeo a cuatro decimales, ;cusl es la probabilidad de que al menos 3 de 5 accidentes automovilisticos sean causados por fatiga del conductor? (5:18) Si 40 por ciento de los ratones que se usan en un experimento se vuelven muy agresivos dentro de 1 minuto después de habérseles administrado un medica- mento experimental, encuentre la probabilidad de que ekactamente seis de 15 Zatones a los que se Jes ha administrado ei medicamento se volverén muy agre- sivos dentro de 1 minuto, use (2) 1a f6rmula de le distribucién binomial; (b) la tabla I 5419 En cierta ciudad, la incompatibilidad se da como la razén legal en 70 por cien- fo de todos los casos de divorcio. Encuentre la probabilidad que cinco de los Hats [2808 siguientes de divorcio registrados en esta ciudad dardn la incompati- bilidad como razén legal, use (2) Ja formula para la distribucién binomial; At () Ja tabla ( (520m 0c mientras x y A permanecen fijas, encontramos que PEPIICION 5.7 Una variable aleatoria X tiene una disttibucién de Poisson y se Conoes como una variable aleatoria de Poisson si y sélo si su distribucién de pro- babilidad esis dada por Diag 1 | | Sere pata ee Asi, em el limite cuando n — co, @ 0, y nd = A permanece constante, el ntime: ro de éxitos es una variable aleatoria que tiene una distribucidn de Poisson con el pa- Kimetro A. Esta distribucién se llama asi en honor al matemético francés Simeon Poisson (1781 - 1840). En general, la distribucin de Poisson brindard una bucne apro- ximaci6n a las probabilidades binomiales cuando n = 20y @ = 0.05. Cuandon = 100 yn < 10, la aproximacion generalmente serd excelente. Para tener una idea sobre Ja cercania de la aproximacién de Poisson a la distri bucién binomial, considere ta impresién de computadora de la figura 54, que muestra, una arriba de la otra, Ja distribuci6n binomial conn = 150 y @ = 0.05 y la distribucion de Poisson con A = 150(0.05) = 7.5 EJEMPLO 5.8 Se la figura 5.4 para determinar el valor de x (desde 5 hasta 15) para el cual el es el més grande cuando usamos la distribucidn de Poisson con A mar la distribucin binomial con n = 150 y 6 = 0.05, Solucién Calculamas las diferencias correspondientes a x mos GAKI6, ~ 6.0017, 0.0034, 0.0037, —6.06 10013, 0.0011 y 0.0008. Asf, el maximo error (numé ponde a ia Capitulo 5: Bistribuciones de probabilidad especiales, i MTB > BINOMIAL N=150 P=0.95 | sposssiizDA0ES PINOMIALES MENOR N = 1.59 ¥ p = 959029 P(x = K) PQ PARA O = K) op05 -9005 -0036 -90a1 ona 0182 0355 e548 -9708 11256 1088 12384 13a 3728 21498 15228 1419 e038 171 7599 2868 673 9582 19268 0355 seis @i98 9313 ap2 9915 ues 9964 pa22 3986 ees 9995 0202 9998 p02 e999) Powers Mevwten MTE > POISSON MU=7.5 PROBABILIDADES DE POISSON PARA MEDIA = 7.500 P(x = K) P(X MENOR 0 = K) oes 906 pga. -0047 0156 +0293 389 +0551 0729 1321 1094 241d 1387 3782 1465 5246 1373 6620 ana 7764 858 5522 9585 9366 igura 5.4 impresion de computadora de ls distribu’ 16n bin y# = 6.08 y la distribucion de Poisson con A= 7.5 Seccién 5.7: La distribucién de Poisson 189 El siguiente ejem, Lae \EIEMPLO 5.9 ilustra la aproximacién de Poisson a la distribuci6n binomial, i 2 pot ciento de los libros encuadernados en cierto taller tiene encuadernacién defec- Pr oremmmtin dePoasgon a ac ie Ge ara eg aetna Te proba- Dilidad de que cinco de 400 libros encuadernados en este taller tendran encuadernaciones defectuosas, Solucién Al sustituir x = 5, A = 400(0,02) = 8 y e formula de la definicién 5.7, obtenemos "s = 0.00034 (de Ia tabla VITI)£n la (32,768)(0.00034) _ ‘Dime = OO, a P(S; 8) En la practica real, rara vez se obtienen las probabilidades de Poisson por sust- tucién directa en la formula de la definicién 5.7. Algunas veces nos referimos a las ta. blas de probabilidades de Poisson, como la tabla II, 0 a tablas mas extensas en los manuales de tablas estadisticas, pero més a menudo, hoy en dia, nos referimos a pro- gramas de computadora apropiados. El uso de tablas o computadoras es de especial importancia cuando nos interesan probabilidades relacionadas con varios valores de x EJEMPLO 5.10 Los registros muestran que la probabilidad es 0.00005 de que a un automdvil se le re viente un neumético mientras cruza cierto puente. Use la distribucién de Poisson para @proximar las probabilidades bihomiales que, de 10,000 autos que cruzan este puente (a) exactamente dos tendrén un neumético reventado; (b) cuando mucho dos tendran un neumético reventado. Solucion (a) Al consultar ia tabla TT, encontramos que para x = 2.y A= 10,000(0,00005 0.5, la probabilidad de Poisson es 0.0758, (6) Al consultar la tabla II, encontramos que para x = 0,1 y 2. y A = 05, las Probabilidades de Poisson son 0.6065, 0.3033 y 0.0758. Asi, la probabilidad de que cuando mucho dos de los 10,000 autos que cruzan mtado puente tendran 5 robabilidad especiales 199 Capitdlo 5: Distribuciones de probebilidad especiales EJEMPLO 5.17 Use la figura 5.5 para rehacer el ejemplo anterior Solucién (a) Leemos el valor para K = 2 en la columna P(X = K) obtenemos 0.0758. (b) En este caso podemos sumar los valores para K = 0, K = 1y K = 2enla columna P(X = K) 0 podemos leer el valor para K = 2 én Ja columna P(X LESS OR = K) y obtener 0.9856. a MIB > POISSON MU=.5 PROBABILIDADES DE POTSSON PARA MEDIA = .500 K} P(X MENOR 0 = x) Beats Sorees oy Figura 5.5. impresién de computadora de la distribucién de Poisson con A=0.5 Al haber derivado la distsibucién de Poisson como una forma limite de la distri bucién binomial, podemos obtener formulas para su media y su varianza al aplicar las Fide nciones limite (n°, 040 y no = A permanece constante) 6 la'media ¥ la varianza de la distribucion binomial. Para ia media obtenemos = nd — A y pa- allt Vanahra obtencmos o"—n6(1.=— 0) (1 —1@) talcial/se/apraciaa aA elado 60. | TEOREMA 5.8 La media y por ‘a varianza de ia distribucién de Poisson estan dadas mbién se pueden obtener al evaluar directamente las sumas con Ja funcién generatriz. de momentos necesarias (véi dada Teicio 5.50} 0 al tral siguiente teorema as TEOREMA 5.9 Ja distribuci6n de Poisson | est dada por Seccién 5.7: La distribucién de Poisson Demostracién. Por ins definiciones 4.6 y My{7) Se vet (ey se puede reconocer como la serie de Maclaurin de e* con My (0 = ete-) Entonces, si diferenciamos M, (1) dos veces con respecto a z, obtenemos My{0) = rete“ MR(t) = ae) + rer eM) de manera que ui = My(0) = Ay py = ME(O) =A + A7 Asi = Ay ot = es = (A +47) — A? = A, lo cual concuerda con el teorema 5.8. ‘Aunque la distribucién de Poisson se ha derivado como una forma limite de la distribucion binomial, tiene muchas aplicaciones que no tienen relacién directa con dis- tribuciones binomiales. Por ejemplo, la distribucisn de Poisson puede servir como un modelo para el niimero de éxitos que ocurren durante un intervalo de tiempo dado 0 en una regiGn especitica cuando (1) son independientes los ntimeros de éxites que ocu- ren en intervalos de tiempo 0 regiones que no se trastapan. (2) la probabilidad de que ocurra un solo éxito en un intervalo de tempo muy corto o en una regién muy peque- fa es proporcional a la longitud del intervalo de tiempo © al tamano de la regi6n, y (3) la probabilidad de que mas de un éxito ocurra en tal intervalo corto de tiempo o que caiga en tal regién pequefia es insignificante. De ahi, una distribucién de Poisson podria describir el ntimero de Hamadas telefénicas recibidas por hora en una oficina, el ntimero de errores de mecanografia por pagina o el mimero de bacterias en un cultivo dado cuando se conoce el nimero promedio de éxitos, A, para el intervalo de tempo 0 la region especifica dados. EJEMPLO 5.12 El nimero de camiones que llegan en un dia cualquiera a un paradero de camiones en cierta ciudad se conoce que es 12. ;Cudi es la probabilidad de que en un dia dado lie- guen menos de 9 camiones a ese paradero? Solucion Sea X el mimero de camiones que legan en un dia dado. Entonces, usamos la ta bla Hcon A = 12, y ebtenemos Si, en una situaciGn donde son vélidis fauna tasa media de ¢ por unidad de tiempo © por wnidad det jos en un intervalo de runic Bempo o ¢ unida Capitulo 5; Distribuciones de probabilidad especiales pecificada es una variable aleatoria de Poisson con la media A = af (véase el ejercicio 5.48). Por consiguiente, el ntimero de éxitos, X, en un intervalo de tiempo de longitud runidades o una regiOn de tamano r unidades tiene la distribucion de Poisson “(ety EJEMPLO 5.13 Cierta clase de lémina de metal tiene, en promedio, cinco defectos por cada 10 pies cua- drados. Si suponemos una distribucién de Poisson, cual es la probabilidad de que una lamina del metal de 15 pies cuadrados tendré al menos 6 defectos? Solucion Sea X el miimero de defectos en una lémina det metal de 15 pies cuadrados. En- tonces, puesto que la unidad de area es 10 pies cuadrados, tenemos A= at = (5)(1.5) = 75 y P(X 2 6) =1— P(X S5) = 1 — 0.2414 = 0.7586 de acuerdo a la impresién de computadora mostrada en la figura 54. EJERCICIOS 5.33 A veces se define la distribucién binomial negativa en una forma diferente co- mo la distribucin del numero de fracasos que precede el késimo éxito. Si ef késimo éxito ocurre en él xésimo ensayo, debe estar precedido por x — k fra- casos. Asi, encuentre la distribucién de ¥ = X — k, donde X tiene la distribu- cidn de la definicién 5.4 5.34 Con respecto al ejercicio 5.33, encuentre expresiones pata py yo}. 5.35 Demuestre el teorema 5.5. 5.36 Demuestre el teorema 5.6 al determinar primero E(X) y E[X(X + 1)]. 5.37 Demuestre que la funciGn generatriz de momentos de la distribucién geométri- ca esté dada por 4 Mx() = 7-20 —«) 5.38 U: Ja funci6n generatriz. de momentos derivada en el ejercicio 5.37 para mos- 1-6 trar que para ia distribucién geométrica, 1 539 Al diferenciar con respecto a # las expresiones en ambos lados de la ecuacién Soca — ay =1 Seccién 5.7: La distribucién de Poisson 193 1 demuestre que la media de la distribucién geométrica esté dada por p= 5 Entonees, al diferenciar otra vez con respecto a @, demuestre que 2} a Y por tanto que 0’ 5.0 Si X es una variable aleatoria que tiene una distribucién geométrica, demues- tre que — P(X = x + nlX > n) = P(X =x) (SAL Sila probabilidad es f(x) de que un producto falle la xésima vez que s¢ usa, €S- to’es, en el xésimo ensayo, entonces su tasa de falla en el xésimo ensayo es la probabilidad de que fallara en el xésimo ensayo dado que no ha fallado en los. primeros x — 1 ensayos; simbolicamente, esté dada por Six) 20)= GSD donde F(x) es el valor de la funcién de distribucién correspondiente en x. De- muestre que si X es una variable aleatoria geométrica, su tasa de falla es cons- tante e igual a 0. 5.42 Se presenta una variaci6n de Ia distribucién binomial cuando los n ensayos son todos independientes, pero la probabilidad de éxito en el iésimo ensayo es 6). y estas probabilidades no son todas iguales. Si X es el mimero de éxitos obte- nidos bajo estas condiciones en n ensayos, demuestre que (a) wy = n@, donde 6 = 4 Da; (0) o% = n6(1 — 8) — no}, donde # es como se define en el inciso (a) y ee 2 (hea Orie B) 5.43 Cuando se calculan todos los valores de una distribucién hipergeométrica, a menudo se puede simplificar el trabajo al calcular primero h(0; n, N, M) y usar entonces Ia formula recursiva (n = x)(M — x) @4DN=M—nt+x41) Verifique esta formula y dsela para calcular los valores de la distribucion hiper- geométrica conn = 4,.N=9yk = 5 sh(sn, NM) h(x + tpn, N,M) ;presion dada para E[X(¥ — 1)] en la demostraci6n del teore- Verifique la m: M 5.45 Demuestre que si hacemos # = 57 €1 | teorema 5.7, fa media y la varianza de Ja dis ymétrica se pueden escribir como = né y a = an estos resultados con el andllisis de ia {Come se comps 194 Capitulo $: Distribuciones de probabilidad especiales 546 Cuando calculamos todos los Valores de una distribucion de Poisson, a menudo se puede simplificar el trabajo al calcular primero p(0: A) y usar después la formula recursiva pe + Lay Verifique esta férmula y dsela junto con ¢~ = 0.1353 para verificar los valo- om dados en la tabla I para A = 2. 547 )Aproxime la probabilidad binomial (3; 100, 0.10) al usar (a) {a formula para la distribucién binomial y logaritmos, (b) Ia tabla 5.48 Suponga que f(x, #) es la probabilidad de obtener x éxitos durante un interva- lo de tiempo de longitud r cuando (i) la probabilidad de un éxito durante un in- tervalo de tiempo muy pequefio de rar + Ares a- As, (ii) la probabilidad de més de un éxito durante dicho intervalo de tiempo es insignificante, y (iii) la probabilidad de un éxito durante ese intervalo de tiempo no depende de lo que haya pasado antes del tiempo ¢ (2) Demuestre que bajo estas condiciones fe, t+ Ad = fx, O[L ~ @- Ar) + fle —1,pa-Ar y por tanto que nies pia! ODS = alfe — 1,1) — 5,9] (b) Demuestre por sustitucién directa que una solucién a este sistema infinito de ecuaciones diferenciales (hay una para cada valor de x) est dada por la distribucién de Poisson con A = at. i 5.49 Use repetidamente la integracién por partes para demostrar que Este resultado es importante porque Jos valores de la funcién de distribucién de una variable aleatoria de Poisson se pueden obtener asf al consullar una tabla de funciones gamma incompletas. Derive las f6rmulas para la media y la varianza de la distribucién de Poisson al evaluar primero E(X) vy ELX(Y — 1) 5.51 Demuestre que si las condiciones Iimite n +00, 6-0, mientras n6 permanece constant, se aplican a la funcién generatriz de momentos de la distribuciGn bino miaj. obtenemos la funcion generatriz de momentos de la distribucién de Poisson. [Sugerencia: vélgase del hecho que orema 5.9 para mostrar que para Ia distribucion di a medida de Ja asimetria definida Seccién 5,7: La distribucién de Poisson 195 5.53 Al diferenciar con respecto a A las expresiones de ambos lados de la ecuaciin = De ayes =o at Gerive la siguiente f6rmula recursiva para los momentos alrededor de [a media de la distribucién de Poisson: dy, } an} para r=1,2,3,... . También, use esta fOrmula recursiva y el hecho que j4y = 1 _—¥ ta = 0 para encontrar js, Hs Y Hs, Y verifique la formula dada para @, en el ejercicio 5.52. / $54 Use el teorema 5 —¥ best = Al rapa + Para encontrar la funcién generatriz de momentos de X — A, donde ¥ es una variable aleatoria que tiene la distribucién de Pois- son con el parémetro A, y iisela para verificar que 0% = A. APLICACIONES Vf 55 § la probobilidad es 0.75 de ‘que una persona creer un rumor acerca de los de- tos de cierto politico, encuenire las probabilidades de q (a) Ia octava persona que escucha el rumor seré la quinta en creerlo: ge (b) Ja décima quinta persona que escuche el rumor sera la décima en creerlo. 5.56 Si las probabilidades de tener un hijo o una hija son ambas 0.50, encuentre las probabilidades de que (a) el cuarto nifio de una familia sea el primer hijo var6n; (b) el séptimo nifio de una familia sea su segunda hija; =\, (c) el décimo nifio de una familia sea su cuarto o quinto hijo varén. ‘ as) Una experta tiradora certera falla en dar en el blanco cinco por ciento de las 78 7 veces. Encuentre la probabitidad de que fallard en dar en el blanco por segun- da vez en el décimo quinta tiro, use (a) la formula para la distribucion binomial negativa: (b) el teorema 5.5 y la tabla I. 558 Al grabar un comercial de televisién, la probabilidad es 0.30 de que cierto a tor dird correctamente sus Iineas en una toma cualquiera. ;Cudl es la probabi- lidad de que diré correctamente sus I{neas por primera vez en Ia sexta toma? ®) Sn una “prueba de tortura” un apagador de luz se prende y se apaga hasta que falla. Si la probabilidad es 0.001 de que el apagador falle en cualgh nto en que se prenda o se apague, {cual es ! probabilidad de que. el apagador no fa- lle durante las primeras 800 veces que se prende o se apaga? Suponge gue se sa- tisfacen las condiciones requeridas por la distribucién geométrica y use logaritmos. Adapte la formula del teorema 5.5 de manera que se pueda usar para expresar probabilidades geométricas en términos d bilidades binomiales, y use la a ( 196 —Capftulo 5: Distribuciones de probabilidad especiales 5.61 Un ingeniero de control de calidad inspecciona una muestra tomada al azar de dos calculadoras manuales de cada lote que llega de tamafio 18 y acepta el lote si ambas estén en buenas condiciones de trabajo; de otra manera, se inspeccio- na todo el lote y el costo se carga al vendedor. ,Cuéles son las probabilidades de que un lote asf se acepte sin inspeccién adicional si contiene (a) cuatro calculadoras que no estén en buenas condiciones de trabajo; (b) ocho calculadoras que no estan en buenas condiciones de trabajo; () 12 calculadoras que no estén en buenas condiciones de trabajo? 5.62 De los 16 solicitantes para un trabajo, 10 tienen titulo universitario. Si se esco- gen tres de los solicitantes al azar para entrevistas, ,cudles son !as probabilida- des de que (@)_ ninguno tenga un titulo universitario; (b) uno tenga un titulo universitario; (©) dos tengan un titulo universitario; ()_ los tres tengan un titulo universitario? 5.63 Encuentre la media y la varianza de ta distribucion hipergeométrica con n N= I6 yk = 10, use (a) los resultados del ejercicio 5.62; (b) las f6rmulas del teorema 5.7. 5.64 {Cudl es Ia probabilidad de que una auditora de impuestos s6lo descubra dos declaraciones de impuestos con deducciones ilegitimas si selecciona al azar cin- co declaraciones entre 15, de las cuales nueve contienen deducciones ilegitimas? 5 Verifique en cada caso si se satisface la condicién para la aproximacién bino- \\_ mial a la distribucién hipergeométrica: (a) N= 200 yn = 12; (b) N= 500 y n=20; (©) N= 640 yn = 30. 5.66 Un embarque de 80 alarmas contra robo contiene 4 que son defectuosas. Si del embarque se seleccionan al azar tres y se embarcan a un cliente, encuentre la probabilidad de que el cliente recibird exactamente una unidad mala, use (@) la formula de la distribucién hipergeométrica; () la distribucisn binomial como una aproximaci6n, 5.67 Entre jos 300 empleados de una compafifa, 240 son sindicalizados, mientras que Jos otros no lo son. Si se seleccionan. al azar seis de los empleados para prestar su servicios en un comité que administra el fondo de pensién, encuentre ta pro- babilidad de que cuatro de los seis seran sindicalizados, use (a) Ja formula de la distribucién hipergeométrica (b) fa distribuci6n binomial como una aproximacién. 5.68 Un panel de 300 personas escogicias para servir de jurados incluye a 30 que tie- iad. Puesto gue el jurado de 12 personas escogido de delito de naresticos no incluye a nadie meno Seccién 5.7: La distribuci6n de Poisson 197 aos de edad, el abogado defensor de Jos jévenes acusados se queja de que este jurado realmente no es representativo, Ciertamente, él argumenta, si la selecei6n fuera al azar. la probabilidad de tener uno de jos 12 jurados de menos de 25 afos de edad debe ser muchas veces 1a probabilidad de no tener ninguno de ellos me- (wer a 25 afios de edad, En realidad, cul es la razon de estas dos probabilidades? 5.69 Verifique en cada caso si los valores de n y 0 satisfacen la regla préctica para una \\_ buena aproximaci6n, una excelente aproximacién, o ninguna cuando queremos usar la distribucién de Poisson para aproximar las probabilidades binomiales (a) 2 = 125 y8 = 0.10; (b) n= 25 y0 © 120 ye (@ 40y@ Con respecto al ejercicio 5.8, determine el valor de x (entre 5 y 15) para el cual el porcentaje de error es e] mds grande cuando usamos la distribucion de Poisson. con.A = 7.5 para aproximar la distribucién binomial con n = 150 y 6 = 0.05. Por experiencia se sabe que 1.4 por ciento de las Hamadas recibidas en un con- mutador son ntimeros equivocados. Use la aproximacién de Poisson a Ja distri- buciGn binomial para determinar la probabilidad que de las 150 lamzdas que recibe el conmutador dos son ntimeros equivacadas Los registros muestran que la probabilidad es 0.0012 de que una persona se in- toxicard con alimentos si pasa el dia en cierta feria estatal. Use ia aproximaci6n de Poisson @ a distribucién binomial para encontrar la probabilidad de que en- 7 1,000 personas que asisten a Ia feria estatal cuando mucho dos se intoxiea- ) rn por alimentos 5.79 En una ciudad dada, 4 por ciento de todos los conductores con licencia estarén involucrados en al menos un accidente automovilistico en un ano dado cual- quiera. Use la aproximacién de Poisson a la distribuciéa binomial para deter- minar la probabitidad de que entre 150 conductores con licencia escogidos al azar en esta ciudad (a) s6lo cinco estarén involucrados en al menos un accidente en un afio dado cualquiera: (b) cuando mucho tres estardn involucrados en al menos un accidente en un afto dado cualquiera Con respecto al ejemplo 5.13 y la impresin de computadora de la figura 5.4. encuentre la probabilidad de que una l4mina del metal de 15 pies cuadrados tendra entre acho y doce defectos, use (a) tos valores en Ia columna P(X = K); (b)_ os valores en la columna P(X LESS OR = K) El numero de quejas que un negocio de tinto: ecibe por dfa es una varia~ ble aleatoria que tiene Ia distribucién de Poisson con A = 3.3, Use la formula para la distribucion de Poisson para ar la probebilidad de gue volo re~ jas en un dia dado ¢ ra sturas mensuales de una computadora es una veriab! ne una distribucién de Poisson con \ = 1.8. Use fa formula de fa distribucién de Poisson para encontrat las probabili ue esta compt= ora funcionard por un me:

También podría gustarte